Så analyserade Stanfords virtuella bioteknikbolag 55 984 kliniska prövningar

Virtual Biotech bör främst ses som ett storskaligt beräkningssystem för forskning – inte som ett självgående läkemedelslaboratorium. Systemet utvecklades av Stanfordforskare, däribland James Zou och Harrison Zhang, och organiserar specialiserade AI-agenter under en virtuell forskningschef. Därmed kan många uppgifter för informationsinhämtning och analys utföras parallellt. 12

Den mest uppmärksammade demonstrationen var att systemet sammanställde och analyserade 55 984 kliniska prövningar. Arbetet pekade på mönster som kan vara användbara när läkemedelsmål ska prioriteras, och gav dessutom upphov till en behandlingshypotes för lungcancer. Men resultaten visar inte att en ny behandling är säker eller effektiv. Det kräver fortfarande laboratorieforskning, kliniska prövningar och myndighetsgranskning. 12

Så kunde agenterna gå igenom tiotusentals studier

I stället för att be en enda generell språkmodell sammanfatta en enorm forskningslitteratur delade Virtual Biotech upp arbetet mellan agenter med olika vetenskapliga roller. En virtuell forskningschef delegerade uppgifter till specialister inom bland annat målbiologi, molekyldesign och analys av kliniska prövningar, och vägde sedan samman deras resultat. 12

För den stora prövningsanalysen användes mer än 37 000 agenter parallellt. De strukturerade publicerade uppgifter om säkerhet och effekt från 55 984 prövningar och kopplade läkemedelsmål till genomiska, molekylära och encellsbaserade annotationer. Stanford uppger att omkring 50 000 prövningar katalogiserades på mindre än en vecka. 2

Hastigheten kom av parallellisering: många agenter kunde samtidigt hämta, märka upp och kontrollera enskilda prövningsposter. Det handlade alltså om sammanställning av evidens i ovanligt stor skala – inte om att systemet självständigt genomförde experiment eller tog fram ett kliniskt validerat läkemedel. 12

Två egenskaper hos läkemedelsmål stack ut

Analysen lyfte särskilt fram två egenskaper hos läkemedelsmål:

• Celltypsspecificitet: att en gen eller ett protein främst förekommer i den celltyp som är mest relevant för sjukdomen, i stället för att vara brett aktivt i många celler.
• Bimodalitet: att genaktiviteten mer liknar ett tydligt av-och-på-läge än en glidande skala.

Forskarna rapporterade att mål med hög celltypsspecificitet och bimodalt beteende var kopplade till bättre utvecklingsutfall i de historiska prövningsdata. Läkemedel som riktades mot celltypsspecifika gener var i analysen 40 procent mer benägna att gå från fas I till fas II, 48 procent mer benägna att nå marknaden och förknippade med 32 procent färre biverkningar. 2

Siffrorna visar samband i ett sammanställt datamaterial, inte garanterade effekter för varje målprotein eller behandling. En möjlig biologisk förklaring är att ett mål som är begränsat till sjukdomsrelevanta celler kan vara lättare att påverka selektivt och därmed ge färre oavsiktliga effekter i resten av kroppen. Den förklaringen behöver dock prövas experimentellt. 12

Lungcancerhypotesen kring B7-H3/CD276

Virtual Biotech undersökte också B7-H3, som även kallas CD276, vid lungcancer. Med offentlig information tillgänglig före januari 2025 identifierade systemet en möjlig mekanism där B7-H3 uttrycks i fibroblaster intill tumören och där dessa celler kan bidra till lokal hämning av immunförsvaret. 2

Systemet föreslog en strategi med ett antikroppsläkemedelskonjugat (ADC): en antikropp riktad mot B7-H3, kopplad till en celldödande substans. Tanken med ett ADC är att föra den celldödande substansen företrädesvis till celler som bär målet. Resultatet var dock en preklinisk design och en mekanistisk hypotes – inte en tillverkad produkt eller en visad behandlingseffekt. 12

B7-H3 är dessutom ett aktivt mål i läkemedelsindustrin. GSK har beskrivit risvutatug rezetecan (GSK5764227) som ett prövningsläkemedel i ADC-form, riktat mot B7-H3 vid småcellig lungcancer. Företagets material uppger också att läkemedelskandidaten fått FDA:s Breakthrough Therapy Designation för återfallen eller behandlingsrefraktär småcellig lungcancer i utbrett stadium.

Det tillhandahållna underlaget ger däremot inte stöd för att beskriva GSK:s program som en senare klinisk validering av Virtual Biotechs förslag. GSK:s citerade besked är daterat i augusti 2024, alltså före gränsdatumet januari 2025 för den offentliga information som Stanfordanalysen använde. Det gemensamma intresset för B7-H3 visar därför att aktörer har landat i liknande strategiska bedömningar kring ett målprotein – inte att AI-systemet skapade, återskapade eller kliniskt validerade GSK:s läkemedelsprogram. 2

Vad systemet ännu inte har visat

Det centrala förbehållet är avståndet mellan beräkningsbaserat resonemang och medicinskt bevis. AI-agenterna har inte:

• genomfört experiment på celler, djur eller människor,
• fastställt ett ADC-läkemedels selektivitet, dosering, farmakokinetik, toxicitet eller resistensprofil,
• tillverkat en behandling, eller
• visat patientnytta i en klinisk prövning. 12

Andra forskare har pekat på att plattformen ännu inte har prövats i läkemedelsutvecklingens praktiska verklighet genom experimentell validering. Historiska samband kan hjälpa forskare att prioritera, men de kan också påverkas av datakvalitet, störfaktorer och mönster som inte håller när de testas framåtblickande i ett nytt program. 1

Nästa steg: oberoende tester och experiment

Virtual Biotechs största nytta kan vara att minska mycket stora sökytor i forskningen och göra genomgången av evidens mer systematisk. Mänskliga forskare behöver fortfarande formulera frågan, granska underliggande data, bedöma den biologiska rimligheten och avgöra vilka hypoteser som är värda att gå vidare med. 12

För B7-H3-förslaget skulle en meningsfull prövning kräva oberoende replikation och därefter laboratoriestudier av målbiologin, ADC:ns bindning och selektivitet, effekt, toxicitet, farmakokinetik och resistens. Först väl utformade kliniska prövningar kan avgöra om en behandling faktiskt förbättrar resultat för patienter. 12

Den bredare slutsatsen är lovande men återhållsam: AI-system med många samverkande agenter kan snabbt organisera biomedicinsk evidens och formulera testbara hypoteser. De har inte ersatt behovet av noggrann experimentell forskning – eller mänskligt omdöme i varje avgörande steg.