1156
Vivodyne вважає, що головна перешкода для використання штучного інтелекту у створенні нових ліків полягає не в нестачі великих моделей, а в якості даних, на яких вони навчаються. Більшість сучасних систем отримують інформацію з дослідів на тваринах, окремих клітинах або білках, тоді як поведінка живої людської тканини може суттєво відрізнятися.
Компанія розробила модульні роботизовані лабораторії HIVE, які можуть вирощувати близько 20 типів людських тканин, автоматично вводити різні препарати та стежити за реакцією. Система збирає причинно-наслідкові біологічні дані, які потім можна використовувати для навчання AI-моделей.
Проблема традиційного підходу полягає в тому, що модель може чудово передбачати результати експериментів на мишах, але це ще не означає таку саму ефективність у людини. Значна частина кандидатів на нові ліки відсіюється вже на клінічних етапах саме через різницю між лабораторною моделлю та реальним людським організмом.
Vivodyne хоче створювати великі масиви стандартизованих даних безпосередньо з людських тканин. Роботизація дозволяє проводити багато експериментів за однаковим протоколом і фіксувати не лише кінцевий результат, а й те, як тканина змінюється в часі під дією препарату.
Цей підхід не означає, що AI самостійно створить лікування. Моделі можуть допомагати знаходити закономірності, прогнозувати реакції та відбирати перспективні сполуки, але їхня якість безпосередньо залежить від того, наскільки реалістично вихідні дані відображають біологію людини.
Саме тому компанія робить ставку на поєднання роботизованої лабораторії та машинного навчання. Якщо такий підхід масштабувати, AI-системи отримають значно точніший матеріал для прогнозування дії ліків. У Vivodyne вважають, що це може скоротити кількість невдалих кандидатів ще до переходу до дорогих клінічних випробувань.
