新颖的模式具有巨大的潜力。 例如，在肿瘤学领域，细胞疗法预计到 2030 年将成为所有治疗方式中的第三大细分市场（仅次于抗体和小分子），2021-30 年销售额复合年增长率为 35%。 另一方面，基于基因和 RNA 的疗法不太可能在中短期内发挥重要作用，尽管目前有一百多个此类资产处于 I-III 期研究中。
成功地将新型细胞和基因治疗 (CGT) 方式带给患者仍然具有挑战性。 值得注意的阻力包括解决方案空间的复杂性和异质性、制造和供应链挑战（尤其是个性化治疗），以及将治疗与合适的患者内型适当匹配的难度。 此外，虽然人工智能应用在更广泛的生物制药研发背景下起飞，但公司才刚刚开始探索如何将其潜力应用于 CGT。
业界存在巨大的未开发机会，可以在 CGT 价值链中扩展人工智能。 由机器学习 (ML) 推动、专注于新颖模式的生物技术公司仍然很少。 Moderna 也许是最成熟的例子，它有着明确的十年愿景，以数字和分析为核心，以增强其 mRNA 平台。
在过去的三到五年里，更多的早期公司——包括细胞治疗领域的 Modulus Therapeutics、Outpace Bio 和 Serotiny； 基因治疗和腺相关病毒 (AAV) 领域的 Dyno Therapeutics 和 Patch Biosciences； 基于 mRNA 的疗法领域的 Anima Biotech 和 Anima Biotech 已经开始出现。 尽管未来十年 CGT 的规模相当有限，可能会减缓纯粹专注于这些模式的人工智能驱动型公司的加速发展，但鉴于近期人工智能在生物制药研发领域的广泛加速，其上行空间可能会很大。
将人工智能应用于新型治疗方式的研发带来了三个主要挑战：
有限的实验数据可用性和昂贵的数据生成。 鉴于 CGT 的新颖性和多样性，实验数据（公共和商业）是有限的。 从头开始为这些新模式生成实验数据通常非常昂贵且耗时。 虽然这给训练大型人工智能系统带来了挑战，但机器学习方法可以帮助探索和利用这些模式的巨大设计空间，从而节省时间并避免进行不必要的昂贵实验。 这些方法还凸显了将这些新颖的模式建立为平台技术的好处，可以加强候选人之间的学习。
功能复杂性。 由于新的模式很复杂，具有潜在的巨大解决方案空间，因此在序列（DNA、RNA或氨基酸）、其结构特性和观察到的功能行为之间建立准确的关系具有挑战性——最终，将设计与 期望的治疗行为。 凭借无数的机械层，人工智能和机器学习技术提供了一个机会来解决纯粹由专家驱动的智能的局限性，以了解实验性能的推进器或创建新颖的设计。 然而，他们确实需要考虑不同层之间潜在的复合错误。
湿实验室和计算机研究之间的分离。 与 CGT 湿实验室实验所需的深厚专业知识相比，计算机药物发现需要不同的技能。 各个团队经常在各自的领域中并肩工作，而不是一起工作，具有不同的科学目标、时间表、激励措施以及次优的数据和见解共享。 为了从这些复杂模式中获得人工智能的好处，需要一个闭环研究系统，以便湿实验室和计算机研究错综复杂地交织在一起并相互基础。
尽管存在这些挑战，在研发中使用人工智能可以进一步加速资本利得税创新。 该领域正在迅速成熟，并开始吸引大量人才和风险投资，预计很快就会有进一步的证据证明其适用性和可扩展性。 那么，相关的用例是什么？
在创新模式的研发价值链中应用人工智能的独特机会在哪里？
让我们探索三种不同的新型药物模式：基于 mRNA 的疗法和疫苗、病毒疗法（例如 AAV 基因疗法）和离体疗法，重点关注嵌合抗原受体 (CAR) T 细胞。 人工智能可以在整个研发价值链的各个阶段促进新疗法的开发，包括目标识别、有效负载设计优化、转化和临床开发以及端到端（E2E）数字化（参见侧边栏“主要研究摘要”） 整个细胞和基因治疗价值链的人工智能用例”）。
目标识别
将人工智能应用于 CGT 的研发始于目标识别。 在这里，最大的挑战集中在选择适当的靶点以优化治疗成功的可能性。 鉴于大多数 CGT 的高度个性化性质以及下游的大量资源投资，在此阶段拥有能够提高速度和准确性的强大算法至关重要。 人工智能和机器学习模型可以通过多种方式使用。
对于旨在编辑基因组的病毒疗法，预测 CRISPR 靶位点的算法可以帮助识别具有遗传序列或表观遗传特征的基因组位点，从而提高编辑效率，同时将脱靶活动降至最低。 较旧的算法经过硬编码，可根据一组已知的绑定规则来预测位点。 基于机器学习和深度学习的新模型是根据真实世界的实验数据进行训练的，并且性能优于旧模型。
对于旨在利用免疫系统针对特定癌细胞或病原体的疗法（例如基于 mRNA 的疫苗或 CAR T 细胞疗法），人工智能和机器学习可用于预测可能被治疗分子结合的肿瘤表位。 例如，对于 CAR T 细胞疗法，人工智能和机器学习可用于促进适当抗原和结合位点的识别，从而能够设计出具有改善的靶向活性和最小细胞毒性的 CAR。
预测蛋白质结构的算法（例如 AlphaFold 蛋白质结构数据库和系统）可用于模拟患者特异性突变如何影响蛋白质结构以及 CAR 结合。 较新的功能基础模型（例如 ProteinBERT）超越了结构，直接估计这些感兴趣的功能特性。5 一旦确定了一组可能的候选者，人工智能和机器学习可用于促进数千种 CAR 构建体的大规模计算机筛选 以确定具有高肿瘤特异性结合亲和力并同时具有激活免疫系统能力的候选者。
类似的技术也适用于构建基于 mRNA 或 DNA 的个性化癌症疫苗。 他们识别个体肿瘤的抗原，这些抗原可以引起所需的免疫系统反应（例如，通过表位预测）。 空间转录组学——以单细胞分辨率可视化不同肿瘤位置的基因表达——为这些工作带来了空间维度，有助于理解细胞亚型之间的相互作用，从而找到癌症治疗发现的新靶点。
有效载荷设计优化
确定适当的先导目标后，下一阶段涉及优化有效载荷设计。 这里的挑战是调节治疗分子的功能活性和组织特异性，同时最大限度地减少不良影响（例如免疫系统的激活）。 人工智能和机器学习模型可用于快速筛选大量候选者，并选择满足所需标准的设计，类似于它们在目标识别中的使用。
