Η συχνότητα εμφάνισης του καρκίνου αυξάνεται, ιδίως στους πιο νέους ενήλικες, αλλά οι περισσότερες νέες φαρμακευτικές ενώσεις αποτυγχάνουν να προχωρήσουν σε κλινικές δοκιμές.
Σύμφωνα με τη Γαλλίδα επιχειρηματία Fanny Jaulin, το πρόβλημα έγκειται στο σχεδιασμό των κλινικών δοκιμών.
«Το γεγονός ότι ένα φάρμακο δεν είναι επιτυχημένο στις κλινικές δοκιμές, δεν σημαίνει ότι δεν είναι καλό φάρμακο», δήλωσε στο TechCrunch. Εξ ου και η ανάγκη για καλύτερους τρόπους δοκιμής νέων μορίων, ειδικά σε μορφές καρκίνου, όπου η καινοτομία δεν έχει καταφέρει να κάνει θραύση τις τελευταίες δεκαετίες.
Η νεοσύστατη επιχείρησή της, Orakl Oncology, εφαρμόζει την Τεχνητή Νοημοσύνη σε αυτό το πρόβλημα. Στην πραγματικότητα, η Jaulin πιστεύει ότι η Τεχνητή Νοημοσύνη θα γίνει βασικός παράγοντας στην ανακάλυψη φαρμάκων.
Η Orakl ιδρύθηκε το 2023 ως spin-off του Ινστιτούτου Ογκολογίας Gustave Roussy και δραστηριοποιείται στη διασταύρωση των δεδομένων και της βιολογίας, το οποίο την καθιστά διαφορετική από τις εταιρείες που ασχολούνται μόνο με το ένα ή το άλλο, και πιο κοντά στην Tempus, την τεχνολογία υγείας AI που εισήχθη στο χρηματιστήριο νωρίτερα φέτος.
Και οι δύο πλευρές είναι συμπληρωματικές - η πλευρά των δεδομένων βοηθά στην αντιμετώπιση του ότι κάθε όγκος είναι μοναδικός, ενώ η πλευρά της βιολογίας είναι ο καλύτερος τρόπος για να ληφθεί υπόψη η πολυπλοκότητα του καρκίνου, δήλωσε η Jaulin.
«Επί του παρόντος, αυτό σημαίνει ότι δουλεύουμε πάνω σε οργανοειδή, τα οποία είναι μικροσκοπικά, απλοποιημένα in vitro εκδοχές ενός οργάνου που μπορούν να χρησιμοποιηθούν για δοκιμές», τόνισε.
Όσον αφορά τα δεδομένα, περιλαμβάνονται περίπου 40 μεταβλητές ανά ασθενή, γεγονός που αντισταθμίζει το γεγονός ότι το σώμα είναι ακόμη μικρότερο σε σύγκριση με τους μεγαλύτερους ανταγωνιστές της, και με αρχική εστίαση στον καρκίνο του παχέος εντέρου και του παγκρέατος.
Με αυτή τη βάση, η Orakl σχεδιάζει να εμπορευματοποιήσει δύο προϊόντα: O-Predict, το οποίο βοηθά τους πελάτες να προβλέψουν την ανταπόκριση των ασθενών σε ένα υποψήφιο φάρμακο, και το O-Validate, όπου η διαδικασία είναι αντίστροφη. Αυτό καθιστά το πρώτο καταλληλότερο για τους προγραμματιστές φαρμάκων, ενώ το δεύτερο μπορεί επίσης να εξυπηρετήσει εταιρείες βιοτεχνολογίας που βασίζονται στην Τεχνητή Νοημοσύνη και τα δεδομένα, δήλωσε ο Jaulin.
