Von Datenchaos zu Durchbrüchen

Ein Experteninterview mit Dr. Stephan Hegge, VP of Corporate Strategy at HotSpot Therapeutics und Dr. Thomas Wollmann, CTO at Merantix Momentum
von
Vendela Jagdt

Ein Experteninterview mit Dr. Stephan Hegge, VP of Corporate Strategy bei HotSpot Therapeutics und Dr. Thomas Wollmann, CTO bei Merantix Momentum zu KI bei der Identifizierung von Wirkstoffzielen und ungedeckten medizinischen Bedürfnissen.

Vendela: Danke, dass ihr heute beide hier seid. Lasst uns mit dem Interview starten. Stephan, könntest du dich kurz vorstellen und über die Komplexitäten und Herausforderungen bei der Identifizierung ungedeckter medizinischer Bedürfnisse sprechen?

Stephan: Sicherlich. Ich bin Stephan Hegge, VP Corporate Strategy bei HotSpot Therapeutics. HotSpot ist ein in Boston ansässiges Biotech-Unternehmen, das sich auf die Entwicklung neuer Medikamente spezialisiert hat. Die Identifizierung ungedeckter medizinischer Bedürfnisse erfordert die Betrachtung der Patientenpopulation und das Verständnis ihrer Behandlungsoptionen. Wir möchten therapeutische Lücken schließen, bei denen aktuelle Medikamente nicht wirksam, sicher oder praktikabel sind. Unsere Firma spezialisiert sich auf die Suche nach allosterischen Taschen an Proteinen mit einem einzigartigen Ansatz. Dieser Prozess nutzt Plattformen, die sich auf Big Data stützen und gelegentlich Maschinenlernen oder KI integrieren. Nachdem wir eine Liste potenzieller Ziele erstellt haben, grenzen Experten in bestimmten therapeutischen Bereichen die Liste auf einige wenige Proteine von Interesse ein. Wir führen dann eine detaillierte Analyse durch, um die Krankheiten, Patientenpopulationen und ungedeckten medizinischen Bedürfnisse zu bewerten, die mit diesen Proteinen von Interesse in Zusammenhang stehen. Wir entwickeln kleine Moleküle, die darauf abzielen, unser Ziel von Interesse so zu manipulieren, dass wir glauben, dass sie sich in einen klinischen Effekt übersetzen lassen, der diese ungedeckten medizinischen Bedürfnisse anspricht.

Vendela: Lass uns über die Auswirkungen von KI auf den Arzneimittelentwicklungsprozess sprechen. Wie hat die KI die Art und Weise verändert, wie ihr Prozesse und Herausforderungen in deinem Team bewältigt?

Stephan: KI hat sicherlich einen Einfluss auf die pharmazeutische Industrie, einschließlich HotSpot. Unterschiedliche Unternehmen haben verschiedene Herangehensweisen an KI, einige zielen darauf ab, menschliche Voreingenommenheit durch die Nutzung aller verfügbaren Daten zu eliminieren. Im Gegensatz dazu ist unsere Philosophie, dass menschliche Expertise in Bezug auf Innovation und außerhalb der Box Ideen unübertroffen ist. Daher verwenden wir KI hauptsächlich, um menschliche Expertise zu skalieren, anstatt sie zu ersetzen. Sobald wir verstehen, woher unsere Expertise kommt, können wir unsere Maschinen trainieren. Zum Beispiel haben wir diesen Ansatz im Kontext der Verarbeitung natürlicher Sprache angewendet, um Publikationen zu identifizieren und zu analysieren, die potenziell relevante Ziele für uns beschreiben. Allgemein gesprochen entwickelt sich das Feld weiter, und Unternehmen erforschen verschiedene Philosophien und Anwendungen für das Maschinenlernen.

Vendela: Danke, Stephan. Thomas, als CTO von Merantex Momentum, welche Herausforderungen siehst du in der pharmazeutischen Industrie, insbesondere bei der manuellen Datenanalyse und Bedarfsermittlung?

Thomas: In der pharmazeutischen Industrie besteht eine der Hauptherausforderungen darin, die Pipeline mit potenziellen Arzneimittelkandidaten zu füllen. Dies erfordert das Screening verschiedener Verbindungen und das Verständnis der ungedeckten Bedürfnisse, die sie adressieren könnten. Daten für diese Analyse stammen aus verschiedenen Quellen, einschließlich hausinterner Daten, erworbenen Daten, aus der Wissenschaft und aus dem Social Media Listening. Eine ordnungsgemäße Datenintegration zur Identifizierung der richtigen Kandidaten ist zeitaufwendig. Die Automatisierung ist aufgrund von Lücken, bei denen menschliche Intervention erforderlich ist, herausfordernd. KI kann eine entscheidende Rolle bei der Erkundung und Suche nach gültigen Kandidaten spielen und so die Effizienz der Datenanalyse in der pharmazeutischen Forschung verbessern.

Vendela: Könntest du erklären, wie KI-Algorithmen strukturierte und unstrukturierte Daten effektiv verarbeiten und ihre Relevanz in der pharmazeutischen Forschung?

Thomas: KI-Algorithmen, insbesondere das Maschinenlernen, sind hervorragend darin, Muster in Daten zu finden. Dies kann auf unsupervisierte Weise erfolgen, um Datencluster oder Muster zu identifizieren, oder auf supervisierte Weise, um den Algorithmus anzuweisen, bestimmte Muster zu finden. In der pharmazeutischen Forschung können diese Algorithmen Verbindungen identifizieren, die ähnliche Eigenschaften wie diejenigen aufweisen, die in der Vergangenheit funktioniert haben, und so bei der Auswahl von Kandidaten helfen. Außerdem kann KI verwendet werden, um digitale Zwillinge von Experimenten zu erstellen, die Ergebnisse vorherzusagen und bei der Studiengestaltung zu helfen. KI bietet zahlreiche Möglichkeiten zur Verbesserung der Prozesse in der pharmazeutischen Forschung.

Vendela: Danke, Thomas. Stephan, könntest du deine Einsichten zur Zentralisierung von Datensätzen für Analysezwecke teilen und wie es Ihren Prozessen hilft?

Stephan: Die Zentralisierung von Datensätzen ist entscheidend für ein effizientes Datenmanagement. In der Pharmazie basieren Patente auf chemischen Strukturen, diese und die dazugehörigen Bibliotheken sind von erheblichem Wert und werden normalerweise intern aufbewahrt und geschützt. KI kann jedoch eindeutig helfen, Treffer zu identifizieren und nicht lebensfähige Verbindungen in diesen internen Datensätzen abzulehnen. Bei öffentlich verfügbaren Datenbanken gibt es aufgrund der hohen Kosten für den Zugriff auf umfangreiche Daten Einschränkungen. Das Abrufen und Herunterladen von Daten aus diesen Datenbanken erfordert oft erhebliche finanzielle Investitionen. Dennoch kann KI bei der Suche nach Patenten helfen und Trends aus verschiedenen Datenquellen identifizieren, was zur Zielidentifikation und -analyse beitragen kann.

Vendela: Danke, Stephan. Thomas, welche Rolle spielen Datenlayer und Plattformen für ein effizientes Datenmanagement, Zusammenarbeit und Entscheidungsfindung in der pharmazeutischen Forschung?

Thomas: Datenlayer und Plattformen sind entscheidend für das effiziente Management und die Nutzung von Daten. Sie helfen sicherzustellen, dass Daten auffindbar, zugänglich, interoperabel und wiederverwendbar sind (FAIR-Prinzipien). Durch die Zentralisierung von Daten und die Schaffung semantischer Interoperabilität ermöglichen Datenplattformen eine effiziente Datenintegration und -analyse. Sie erleichtern die Zusammenarbeit, indem sie eine einheitliche Schnittstelle für den Zugriff auf und das Teilen von Daten über verschiedene Abteilungen und Organisationen hinweg bieten. Mit den richtigen Datenlayern und Plattformen wird die Entscheidungsfindung informierter, da Daten abstrahiert und verbunden werden können, wodurch neue KI-Anwendungsfälle freigeschaltet und Innovationen vorangetrieben werden.

Vendela: Schließlich, wenn wir in die Zukunft blicken, wie seht ihr die Rolle von KI in der pharmazeutischen Industrie, insbesondere bei der Identifizierung ungedeckter Bedürfnisse für die Arzneimittelentwicklung?

Stephan: Die Zukunft der KI in der pharmazeutischen Industrie ist sehr vielversprechend. Derzeit wird KI in verschiedenen Stadien der Arzneimittelentwicklung eingesetzt, es gibt jedoch noch Raum für eine weitergehende Integration und Vernetzung zwischen diesen Stadien. KI könnte beispielsweise eine bedeutende Rolle bei der Patentsuche spielen, Sprachbarrieren überwinden und die Suchergebnisse bereichern. Darüber hinaus hat die KI das Potenzial, diverse Datenquellen, einschließlich Omics und Social Media, zu nutzen, um aufkommende Trends und Ziele zu identifizieren. Die Herausforderung besteht darin, das immense Wissen und die kontextuellen Informationen zu nutzen, um eine ganzheitlichere Entscheidungsfindung und Automatisierung zu ermöglichen.

Thomas: Ich stimme Stephan zu. Die laufende Entwicklung der KI in der pharmazeutischen Industrie ist eine außerordentlich spannende und transformative Zeit. Da KI-Algorithmen weiterhin verbessert werden, wird ihre Fähigkeit zur Nutzung großer Datenmengen immer fortgeschrittener. Dies eröffnet Möglichkeiten für eine personalisierte Medizin, verbesserte Entscheidungsfindung und Automatisierung. Die anhaltenden Bemühungen, verschiedene Datenquellen zu kombinieren und multimodale Daten zu nutzen, erhöhen die Fähigkeiten von KI-Systemen. Der Schwerpunkt auf der Schließung von Wissenslücken und der Schaffung ganzheitlicherer Entscheidungsmodelle ebnet den Weg für innovative Lösungen in der Arzneimittelentwicklung.

Vendela: Vielen Dank für eure Zeit und die wertvollen Einblicke in die sich entwickelnde Rolle der KI in der pharmazeutischen Industrie und die Identifizierung ungedeckter Bedürfnisse in der Arzneimittelentwicklung.

Jetzt im Merantix Momentum Newsletter anmelden.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.

Weitere Artikel

Die neuesten Branchennachrichten, Interviews, Technologien und Ressourcen.

Verlässliche und krisenresistente Bestandsoptimierung

Revolutionierung der Lieferkettenoptimierung.

Von Datenchaos zu Durchbrüchen

Die Rolle von Künstlicher Intelligenz bei der Identifizierung von Wirkstoffzielen und ungedeckten medizinischen Bedürfnissen.

KI-Vorhersagen in die Praxis umsetzen

Ein Expertennterview zum Thema KI gestützte Vorhersagen.

AI News: 3 Empfehlungen für ChatGPT & Co.

Große Sprachmodelle, Risiken und Anwendungsmöglichkeiten.

AI-Driven Compound Optimization in the Large Molecule Space

Ein Experteninterview über die KI-gestützte Optimierung von Wirkstoffen im Bereich großer Moleküle.

Von Datenchaos zu Durchbrüchen

Ein Experteninterview mit Dr. Stephan Hegge, VP of Corporate Strategy bei HotSpot Therapeutics und Dr. Thomas Wollmann, CTO bei Merantix Momentum zu KI bei der Identifizierung von Wirkstoffzielen und ungedeckten medizinischen Bedürfnissen.

Vendela: Danke, dass ihr heute beide hier seid. Lasst uns mit dem Interview starten. Stephan, könntest du dich kurz vorstellen und über die Komplexitäten und Herausforderungen bei der Identifizierung ungedeckter medizinischer Bedürfnisse sprechen?

Stephan: Sicherlich. Ich bin Stephan Hegge, VP Corporate Strategy bei HotSpot Therapeutics. HotSpot ist ein in Boston ansässiges Biotech-Unternehmen, das sich auf die Entwicklung neuer Medikamente spezialisiert hat. Die Identifizierung ungedeckter medizinischer Bedürfnisse erfordert die Betrachtung der Patientenpopulation und das Verständnis ihrer Behandlungsoptionen. Wir möchten therapeutische Lücken schließen, bei denen aktuelle Medikamente nicht wirksam, sicher oder praktikabel sind. Unsere Firma spezialisiert sich auf die Suche nach allosterischen Taschen an Proteinen mit einem einzigartigen Ansatz. Dieser Prozess nutzt Plattformen, die sich auf Big Data stützen und gelegentlich Maschinenlernen oder KI integrieren. Nachdem wir eine Liste potenzieller Ziele erstellt haben, grenzen Experten in bestimmten therapeutischen Bereichen die Liste auf einige wenige Proteine von Interesse ein. Wir führen dann eine detaillierte Analyse durch, um die Krankheiten, Patientenpopulationen und ungedeckten medizinischen Bedürfnisse zu bewerten, die mit diesen Proteinen von Interesse in Zusammenhang stehen. Wir entwickeln kleine Moleküle, die darauf abzielen, unser Ziel von Interesse so zu manipulieren, dass wir glauben, dass sie sich in einen klinischen Effekt übersetzen lassen, der diese ungedeckten medizinischen Bedürfnisse anspricht.

Vendela: Lass uns über die Auswirkungen von KI auf den Arzneimittelentwicklungsprozess sprechen. Wie hat die KI die Art und Weise verändert, wie ihr Prozesse und Herausforderungen in deinem Team bewältigt?

Stephan: KI hat sicherlich einen Einfluss auf die pharmazeutische Industrie, einschließlich HotSpot. Unterschiedliche Unternehmen haben verschiedene Herangehensweisen an KI, einige zielen darauf ab, menschliche Voreingenommenheit durch die Nutzung aller verfügbaren Daten zu eliminieren. Im Gegensatz dazu ist unsere Philosophie, dass menschliche Expertise in Bezug auf Innovation und außerhalb der Box Ideen unübertroffen ist. Daher verwenden wir KI hauptsächlich, um menschliche Expertise zu skalieren, anstatt sie zu ersetzen. Sobald wir verstehen, woher unsere Expertise kommt, können wir unsere Maschinen trainieren. Zum Beispiel haben wir diesen Ansatz im Kontext der Verarbeitung natürlicher Sprache angewendet, um Publikationen zu identifizieren und zu analysieren, die potenziell relevante Ziele für uns beschreiben. Allgemein gesprochen entwickelt sich das Feld weiter, und Unternehmen erforschen verschiedene Philosophien und Anwendungen für das Maschinenlernen.

Vendela: Danke, Stephan. Thomas, als CTO von Merantex Momentum, welche Herausforderungen siehst du in der pharmazeutischen Industrie, insbesondere bei der manuellen Datenanalyse und Bedarfsermittlung?

Thomas: In der pharmazeutischen Industrie besteht eine der Hauptherausforderungen darin, die Pipeline mit potenziellen Arzneimittelkandidaten zu füllen. Dies erfordert das Screening verschiedener Verbindungen und das Verständnis der ungedeckten Bedürfnisse, die sie adressieren könnten. Daten für diese Analyse stammen aus verschiedenen Quellen, einschließlich hausinterner Daten, erworbenen Daten, aus der Wissenschaft und aus dem Social Media Listening. Eine ordnungsgemäße Datenintegration zur Identifizierung der richtigen Kandidaten ist zeitaufwendig. Die Automatisierung ist aufgrund von Lücken, bei denen menschliche Intervention erforderlich ist, herausfordernd. KI kann eine entscheidende Rolle bei der Erkundung und Suche nach gültigen Kandidaten spielen und so die Effizienz der Datenanalyse in der pharmazeutischen Forschung verbessern.

Vendela: Könntest du erklären, wie KI-Algorithmen strukturierte und unstrukturierte Daten effektiv verarbeiten und ihre Relevanz in der pharmazeutischen Forschung?

Thomas: KI-Algorithmen, insbesondere das Maschinenlernen, sind hervorragend darin, Muster in Daten zu finden. Dies kann auf unsupervisierte Weise erfolgen, um Datencluster oder Muster zu identifizieren, oder auf supervisierte Weise, um den Algorithmus anzuweisen, bestimmte Muster zu finden. In der pharmazeutischen Forschung können diese Algorithmen Verbindungen identifizieren, die ähnliche Eigenschaften wie diejenigen aufweisen, die in der Vergangenheit funktioniert haben, und so bei der Auswahl von Kandidaten helfen. Außerdem kann KI verwendet werden, um digitale Zwillinge von Experimenten zu erstellen, die Ergebnisse vorherzusagen und bei der Studiengestaltung zu helfen. KI bietet zahlreiche Möglichkeiten zur Verbesserung der Prozesse in der pharmazeutischen Forschung.

Vendela: Danke, Thomas. Stephan, könntest du deine Einsichten zur Zentralisierung von Datensätzen für Analysezwecke teilen und wie es Ihren Prozessen hilft?

Stephan: Die Zentralisierung von Datensätzen ist entscheidend für ein effizientes Datenmanagement. In der Pharmazie basieren Patente auf chemischen Strukturen, diese und die dazugehörigen Bibliotheken sind von erheblichem Wert und werden normalerweise intern aufbewahrt und geschützt. KI kann jedoch eindeutig helfen, Treffer zu identifizieren und nicht lebensfähige Verbindungen in diesen internen Datensätzen abzulehnen. Bei öffentlich verfügbaren Datenbanken gibt es aufgrund der hohen Kosten für den Zugriff auf umfangreiche Daten Einschränkungen. Das Abrufen und Herunterladen von Daten aus diesen Datenbanken erfordert oft erhebliche finanzielle Investitionen. Dennoch kann KI bei der Suche nach Patenten helfen und Trends aus verschiedenen Datenquellen identifizieren, was zur Zielidentifikation und -analyse beitragen kann.

Vendela: Danke, Stephan. Thomas, welche Rolle spielen Datenlayer und Plattformen für ein effizientes Datenmanagement, Zusammenarbeit und Entscheidungsfindung in der pharmazeutischen Forschung?

Thomas: Datenlayer und Plattformen sind entscheidend für das effiziente Management und die Nutzung von Daten. Sie helfen sicherzustellen, dass Daten auffindbar, zugänglich, interoperabel und wiederverwendbar sind (FAIR-Prinzipien). Durch die Zentralisierung von Daten und die Schaffung semantischer Interoperabilität ermöglichen Datenplattformen eine effiziente Datenintegration und -analyse. Sie erleichtern die Zusammenarbeit, indem sie eine einheitliche Schnittstelle für den Zugriff auf und das Teilen von Daten über verschiedene Abteilungen und Organisationen hinweg bieten. Mit den richtigen Datenlayern und Plattformen wird die Entscheidungsfindung informierter, da Daten abstrahiert und verbunden werden können, wodurch neue KI-Anwendungsfälle freigeschaltet und Innovationen vorangetrieben werden.

Vendela: Schließlich, wenn wir in die Zukunft blicken, wie seht ihr die Rolle von KI in der pharmazeutischen Industrie, insbesondere bei der Identifizierung ungedeckter Bedürfnisse für die Arzneimittelentwicklung?

Stephan: Die Zukunft der KI in der pharmazeutischen Industrie ist sehr vielversprechend. Derzeit wird KI in verschiedenen Stadien der Arzneimittelentwicklung eingesetzt, es gibt jedoch noch Raum für eine weitergehende Integration und Vernetzung zwischen diesen Stadien. KI könnte beispielsweise eine bedeutende Rolle bei der Patentsuche spielen, Sprachbarrieren überwinden und die Suchergebnisse bereichern. Darüber hinaus hat die KI das Potenzial, diverse Datenquellen, einschließlich Omics und Social Media, zu nutzen, um aufkommende Trends und Ziele zu identifizieren. Die Herausforderung besteht darin, das immense Wissen und die kontextuellen Informationen zu nutzen, um eine ganzheitlichere Entscheidungsfindung und Automatisierung zu ermöglichen.

Thomas: Ich stimme Stephan zu. Die laufende Entwicklung der KI in der pharmazeutischen Industrie ist eine außerordentlich spannende und transformative Zeit. Da KI-Algorithmen weiterhin verbessert werden, wird ihre Fähigkeit zur Nutzung großer Datenmengen immer fortgeschrittener. Dies eröffnet Möglichkeiten für eine personalisierte Medizin, verbesserte Entscheidungsfindung und Automatisierung. Die anhaltenden Bemühungen, verschiedene Datenquellen zu kombinieren und multimodale Daten zu nutzen, erhöhen die Fähigkeiten von KI-Systemen. Der Schwerpunkt auf der Schließung von Wissenslücken und der Schaffung ganzheitlicherer Entscheidungsmodelle ebnet den Weg für innovative Lösungen in der Arzneimittelentwicklung.

Vendela: Vielen Dank für eure Zeit und die wertvollen Einblicke in die sich entwickelnde Rolle der KI in der pharmazeutischen Industrie und die Identifizierung ungedeckter Bedürfnisse in der Arzneimittelentwicklung.

Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.

Mehr Whitepaper entdecken

Datengetrieben zum Medikament von Morgen

Chancen und Hindernisse der KI in einer GxP Welt.

Der AI Canvas: Unser Tool zur Projektevaluation

Entdecken Sie den AI Canvas!

Leveraging the EU AI Act to your advantage

Die Nutzung des EU AI Acts zu Ihrem Vorteil

Datengetrieben zum Medikament von Morgen

Chancen und Hindernisse der KI in einer GxP Welt.

Der AI Canvas: Unser Tool zur Projektevaluation

Entdecken Sie den AI Canvas!

Towards Tabular Foundation Models

Über den Status Quo, Herausforderungen und Chancen
Wir möchten Sie kennenlernen!

Jetzt Ihre KI-Reise mit uns starten

Jetzt im Merantix Momentum Newsletter anmelden.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.