37.000 AI-agenter analyserede næsten 56.000 kliniske forsøg

Virtual Biotech bør først og fremmest forstås som et storskala computersystem til forskning – ikke som et selvkørende medicinalfirma med laboratorier. Systemet er udviklet af Stanford-forskere, herunder James Zou og Harrison Zhang, og organiserer specialiserede AI-agenter under en virtuel forskningschef. Dermed kan mange opgaver med indsamling og analyse af evidens løses parallelt. 12

Den mest opsigtsvækkende demonstration var gennemgangen af 55.984 kliniske forsøg. Arbejdet gav mønstre, der kan være relevante ved valg af lægemiddelmål, samt en hypotese om behandling af lungekræft. Men resultaterne dokumenterer ikke, at en ny behandling er sikker eller virker: Det kræver fortsat laboratorieforskning, kliniske forsøg og myndighedsvurdering. 12

Sådan kunne tusindvis af agenter behandle forsøgsdata

I stedet for at bruge én generel model til at sammenfatte en enorm mængde forskning fordelte Virtual Biotech opgaverne mellem agenter med forskellige videnskabelige roller. En agent i rollen som forskningschef delegerede opgaver til specialister inden for blandt andet målbiologi, molekyledesign og analyse af kliniske forsøg og samlede derefter resultaterne. 12

Til den store forsøgsanalyse satte systemet mere end 37.000 AI-agenter med fokus på kliniske forsøg i gang parallelt. De strukturerede offentliggjorte data om sikkerhed og effekt fra 55.984 forsøg og koblede lægemiddelmål til genomiske, molekylære og enkeltcellebaserede annoteringer. Ifølge Stanford blev omkring 50.000 forsøg katalogiseret på under en uge. 2

Hastigheden kom fra paralleliseringen: Mange agenter kunne samtidig hente, annotere og kontrollere afgrænsede forsøgsoplysninger. Det er en arbejdsgang til systematisk kuratering af evidens i usædvanlig stor skala – ikke bevis for, at systemet selv har udført eksperimenter eller fundet et klinisk valideret lægemiddel. 12

To egenskaber ved lægemiddelmål hang sammen med bedre historiske resultater

Analysen fremhævede især to egenskaber ved lægemiddelmål:

• Celletypespecificitet: Om et gen eller protein er koncentreret i den celletype, der er mest relevant for sygdommen, frem for at være aktivt bredt i mange celletyper.
• Bimodalitet: Om genaktivitet opfører sig mere som en tydelig tænd/sluk-tilstand end som en gradvis glidende skala.

Forskerne rapporterede, at mål med høj celletypespecificitet og bimodal adfærd var forbundet med bedre udviklingsresultater i de historiske forsøgsdata. I analysen var lægemidler rettet mod celletypespecifikke gener 40 % mere tilbøjelige til at gå fra fase I til fase II, 48 % mere tilbøjelige til at nå markedet og forbundet med 32 % færre bivirkninger. 2

Tallene beskriver sammenhænge i et kurateret datasæt – ikke garanterede effekter for hvert enkelt mål eller lægemiddel. En mulig biologisk forklaring er, at et mål, der er begrænset til sygdomsrelevante celler, lettere kan påvirkes selektivt og dermed måske giver færre utilsigtede effekter andre steder i kroppen. Den forklaring skal dog stadig testes eksperimentelt. 12

Hypotesen om B7-H3/CD276 ved lungekræft

Virtual Biotech undersøgte også B7-H3, der også kaldes CD276, i forbindelse med lungekræft. Med udgangspunkt i offentligt tilgængelige oplysninger fra før januar 2025 fandt systemet en begrundelse knyttet til B7-H3-udtryk i fibroblaster nær svulsten og foreslog, at disse celler kan bidrage til lokal undertrykkelse af immunforsvaret. 2

Systemet foreslog en strategi med et antistof-lægemiddel-konjugat (ADC): Et antistof rettet mod B7-H3, koblet til et celledræbende stof. I princippet skal et ADC bringe det celledræbende stof fortrinsvis hen til celler, der bærer målet. Resultatet var et præklinisk design og en mekanistisk hypotese – ikke et fremstillet produkt eller en dokumenteret behandling. 12

B7-H3 er samtidig et aktivt mål i medicinalindustrien. GSK har beskrevet risvutatug rezetecan (GSK5764227) som et ADC under udvikling, der retter sig mod B7-H3 ved småcellet lungekræft. GSK oplyser også, at præparatet har fået FDA's Breakthrough Therapy Designation ved recidiverende eller behandlingsrefraktær småcellet lungekræft i udbredt stadium.

Det foreliggende kildemateriale giver imidlertid ikke grundlag for at fremstille GSK-programmet som en senere klinisk validering af Virtual Biotechs forslag. GSK's citerede meddelelse er dateret august 2024 – altså før skæringsdatoen januar 2025 for de offentlige oplysninger, som Stanford-analysen anvendte. Fælles interesse for B7-H3 viser derfor en strategisk konvergens om et mål, ikke at AI-systemet har opfundet, genskabt eller klinisk valideret GSK's lægemiddelprogram. 2

Hvad systemet ikke har bevist

Den afgørende begrænsning er afstanden mellem beregningsbaseret ræsonnement og medicinsk dokumentation. AI-agenterne har ikke:

• udført forsøg i celler, dyr eller mennesker;
• fastslået et ADC's selektivitet, dosering, farmakokinetik, toksicitet eller resistensprofil;
• fremstillet en behandling; eller
• påvist patientnytte i et klinisk forsøg. 12

Andre forskere har advaret om, at platformen endnu ikke har stået sin praktiske prøve i lægemiddeludvikling gennem eksperimentel validering. Historiske korrelationer kan være nyttige til at prioritere forskning, men de kan også afspejle problemer med datakvalitet, forstyrrende faktorer eller mønstre, som ikke holder i et fremadrettet udviklingsprogram. 1

Den næste prøve foregår i laboratoriet og klinikken

Virtual Biotech kan især blive nyttig til at indsnævre meget store videnskabelige søgefelter og gøre evidensgennemgang mere systematisk. Menneskelige forskere skal fortsat formulere spørgsmålet, gennemgå den bagvedliggende evidens, vurdere biologisk sandsynlighed og afgøre, hvilke hypoteser der er værd at forfølge. 12

For B7-H3-forslaget vil reel validering kræve uafhængig reproduktion og derefter laboratorieundersøgelser af målbiologien, ADC'ets binding og selektivitet, effekt, toksicitet, farmakokinetik og resistens. Kun korrekt tilrettelagte kliniske forsøg kan afgøre, om en behandling forbedrer resultaterne for patienter. 12

Det overordnede resultat er derfor lovende, men skal læses med forbehold: AI-systemer med mange agenter kan hurtigt organisere biomedicinsk evidens og skabe hypoteser, der kan afprøves. De har ikke fjernet behovet for omhyggelig eksperimentel forskning – eller menneskelig dømmekraft i alle afgørende led.