Arzneimittelforschung und KI-Prognosen mit Stephen MacKinnon

In dieser Folge von „Innovation Capital“

Wie werden sich der Prozess der Arzneimittelentwicklung und die damit verbundenen Erfahrungen in den kommenden Jahren verändern? In dieser Folge von „Innovation Capital“ beleuchten wir dieses spannende Thema gemeinsam mit dem Wissenschaftler und Innovator Stephen MacKinnon.

Jetzt anhören

Transkript der Folge

Ray Chohan: Steven, willkommen bei Innovation Capital! Wir freuen uns sehr, Sie heute in dieser Folge begrüßen zu dürfen. Tatsächlich haben wir uns schon seit geraumer Zeit auf dieses Gespräch mit Ihnen gefreut, da wir Cyclica als Unternehmen schon seit einiger Zeit verfolgen und große Bewunderer dieses Bereichs sind.

Wir würden gerne mit ein paar Informationen zu Ihrem Werdegang beginnen und erfahren, wie Sie in die wunderbare Welt der Biotechnologie gekommen sind, Stephen. Anschließend könnten Sie uns etwas über die Mission und Vision von Cyclica erzählen, und dann machen wir von dort aus weiter.

Also, Stephen, jetzt bist du dran!

Stephen MacKinnon: Vielen Dank für die Einladung! Ich freue mich immer, über meine Arbeit und die Aktivitäten des Unternehmens zu sprechen. Mein Name ist Stephen MacKinnon. Ich bin Vice President für Forschung und Entwicklung (F&E) bei Cyclica.

Ich habe einen Hintergrund in computergestützter Biochemie und einen Bachelor- sowie einen Doktortitel in diesem Bereich. Im Gegensatz zum Studium der Biochemie mit Reagenzgläsern und Experimenten im Labor habe ich mich jedoch mit großen Datenbanken befasst und versucht, neue Erkenntnisse zu gewinnen, indem ich Trends in den Daten aufgedeckt habe. Ich habe in struktureller Bioinformatik promoviert, bei der es darum geht, die 3D-Strukturen von Proteinen zu untersuchen. Auch hier ging es darum, Muster in ihrer Wechselwirkung miteinander zu finden, und zwar ausschließlich rechnerisch.

Ich bin schon ganz am Anfang bei Cyclica eingestiegen, als wir noch in der Pre-Seed-Phase waren und sozusagen alle im Keller gearbeitet haben. Ich war damals der erste Wissenschaftler im Team. Wir hatten die Idee, Vorhersagen darüber zu treffen, wie Medikamente mit Proteinen interagieren könnten. Aber nicht in dem Sinne, dass wir sagten: „Hier ist ein neues Protein-Target, welche Medikamente könnten mit diesem Protein-Target interagieren?“ Stattdessen verfolgten wir den Ansatz, eine umfassende Lösung zu entwickeln, die nicht nur das Problem lösen konnte, für das wir das Medikament entwickelten, sondern auch alle Protein-Targets aufdecken konnte, mit denen dieses Medikament interagieren könnte.

Dies folgt der Vorstellung, dass es im menschlichen Genom etwa 20.000 verschiedene proteinkodierende Gene gibt. Ganz gleich, wie gut wir ein Medikament entwickeln, das nur mit einem einzigen Protein-Target interagiert, um eine therapeutische Wirkung zu erzielen, wir wissen, dass dieses Medikament mit vielen verschiedenen Dingen interagiert. Es wird metabolisiert, absorbiert und von einem Ort im Körper zum anderen transportiert. Wir wissen also, dass ein Medikament mit vielen verschiedenen Proteinen interagiert, und wir möchten mit Hilfe von computergestützten Ansätzen versuchen, all diese Beziehungen zu kartieren.

Nun bin ich seit etwa sieben oder acht Jahren bei der Organisation und habe miterlebt, wie sie sich von einer Organisation in der Gründungsphase zu dem entwickelt hat, was sie heute ist. Ich hatte die Gelegenheit, ein Team von Wissenschaftlern aufzubauen. Anfangs war ich der Hauptentwickler und habe einen Großteil der Programmierung und Forschung selbst übernommen. Dann begann ich, ein Team aufzubauen. Ich fand andere gleichgesinnte Wissenschaftler, die sich uns anschlossen, und wir haben gemeinsam an diesem Problem gearbeitet.

Ray: Das leuchtet ein. Stephen, kann man sagen, dass der Moment, als DeepMind AlphaFold im November letzten Jahres in der Lage war, die 3D-Form eines Proteins anhand seiner Aminosäuresequenz vorherzusagen und damit eine 50 Jahre alte große Herausforderung in der Biologie zu lösen, den Übergang zu Cyclicas Vision darstellt, Medikamente zu entwickeln, die im Wesentlichen wie maßgeschneiderte Software sind?

Stephen: Ich finde, dass DeepMind wirklich außergewöhnliche Fortschritte gemacht hat. Mir gefällt besonders, wie sie denken und viele verschiedene Arten von Informationen kombinieren, um ein bestimmtes Problem zu lösen.

Die Vorhersage der Proteinstruktur, oder zumindest die De-novo-Vorhersage der Proteinstruktur, ist in der akademischen Welt seit langem eine Art Heiliger Gral. Zu verstehen, wie Proteine grundlegend funktionieren, wie sie sich aus diesen Ketten zu 3D-Strukturen verbinden, die wie kleine Maschinen in der Zelle sind, die sich aus einem Bauplan zu einer Maschine zusammenfügen, die die komplexesten Aufgaben ausführen kann, die wir uns vorstellen können, sogar über unsere makroskopischen Sichtweisen hinaus. In dieser Hinsicht ist es sicherlich eine großartige Leistung.

Es gibt viele Proteine, die von einer Technologie, die Strukturen vorhersagen kann, im Hinblick auf das menschliche Proteom sehr gut bedient werden. Von den etwa 20.000 Genen, die Proteine kodieren, wurden beispielsweise etwa 4.000 bis 5.000 in gewisser Weise experimentell entschlüsselt, von denen wiederum etwa 10.000 Proteine eine gewisse Verwandtschaftsstruktur aufweisen, die zur Modellierung verwendet werden kann. Wenn nun eine Technologie wie AlphaFold ins Spiel kommt, um insbesondere diese dunklen Bereiche des Proteoms zu untersuchen, die von Forschern noch nicht so intensiv untersucht wurden, und eine Vorstellung davon hat, wie diese 3D-Formen aussehen könnten.

In diesem Zusammenhang ist dies eine wichtige und sinnvolle Ergänzung, ebenso wie für die Identifizierung von Proteinstrukturen in Arten, die bisher noch nicht sehr gut erforscht sind. Dazu gehören beispielsweise Bakterienarten, die möglicherweise pathogen sind und für die Arzneimittelforschung und die menschliche Gesundheit von großer Bedeutung sind, oder das Darmmikrobiom, das ebenfalls eine wichtige Rolle für die menschliche Gesundheit spielt. Es besteht zweifellos ein großes Potenzial für Strukturvorhersagetechnologien, diese Bereiche zu beeinflussen.

Ray: Das leuchtet ein, und genau das haben wir hier bei PatSnap im letzten Jahr genau beobachtet. Jetzt treten wir in dieses großartige Paradigma ein, in dem KI, Datenanalyse und klassische Laborbiologie zusammenfließen. Wo liegt Ihrer professionellen Meinung nach der Hintergrund dieses neuen Paradigmas?

Jeder hat eine etwas andere Sichtweise darauf. Können Sie uns, damit unser Publikum den Beginn dieses Paradigmas wirklich versteht, erzählen, wo alles angefangen hat? Und wo werden wir Ihrer Meinung nach bis 2026 in Bezug auf das Leben der Patienten stehen?

Stephen: Maschinelles Lernen (ML) ist schon seit sehr langer Zeit Teil der Arzneimittelentwicklung. Ich habe bereits zuvor eine bestimmte Veröffentlichung erwähnt, in der die Autoren über die Auswirkungen von ML auf die Arzneimittelentwicklung in den 1980er Jahren sprechen.

Es gibt eine lange Tradition, Informationen so gut wie möglich zu nutzen. In vielen Fällen sind die uns zur Verfügung stehenden Informationen begrenzt, während die Probleme, die wir zu lösen versuchen, sehr umfangreich sind. Daher gab es schon immer die Motivation, alle verfügbaren Informationen so gut wie möglich zu nutzen, um zu entscheiden, in welche Richtung Experimente gehen sollten.

Nehmen wir zum Beispiel den chemischen Raum – die Zahl ist so groß, dass es meiner Meinung nach kein Wort für so große Zahlen gibt, aber 10 hoch 60 ist eine der Zahlen, die gerne für die Anzahl der Moleküle genannt wird, die wie Medikamente aussehen und möglicherweise existieren oder hergestellt werden könnten. Wenn also die Größenordnung oder die Permutationen aller möglichen Experimente, die man in einem Programm durchführen könnte, so enorm sind, ist es sehr vorteilhaft, diese rechnerischen Vorhersagen zu haben, um diesen Umfang einzugrenzen oder um sich darauf zu konzentrieren, wo man in Bezug auf die Forschung den größten Nutzen für sein Geld bekommt.

Einige Faktoren, die die jüngsten Fortschritte ausgelöst haben, sind robotergestützte Ansätze, die zwischen Anfang der 2000er Jahre und 2010 weit verbreitet waren und sich rasch weiterentwickelten. Als also Daten gesammelt und Experimente durchgeführt wurden, beschränkte man sich nicht mehr auf kleine Zahlen wie 10 oder 100 Datenpunkte, sondern sammelte Zehntausende bis Hunderttausende verschiedener Datenpunkte. Es geht also nicht nur darum, wie viele verschiedene Messungen vorgenommen werden, sondern auch um die Daten innerhalb dieser Datenpunkte. Diese Messungen sind viel dimensionaler.

Beispielsweise konnte mit der Next-Generation-Sequenzierung, einer Technologie, die zwischen 2008 und 2010 wirklich an Bedeutung gewann, in einem einzigen Experiment Tausende verschiedener Datenpunkte gemessen werden. Es werden immer mehr Experimente durchgeführt, und die Informationen aus diesen Experimenten weisen eine viel höhere Dimensionalität auf. Damit einher geht der Bedarf an computergestützten Vorhersagen, um Informationsinhalte zu verstehen, die für Einzelpersonen zu umfangreich sind, um sie vollständig zu erfassen, und um auf dieser Grundlage fundierte Entscheidungen zu treffen.

Ray: Stephen, würdest du sagen, dass der rasante Kostenrückgang auch eine Chance darstellt? Wenn man sich beispielsweise die Kosten für die Sequenzierung des Genoms in den frühen 2000er Jahren ansieht, lagen diese bei fast einer Milliarde Dollar. Heute liegen sie bei weniger als 1.000 Dollar. Spielt das auch in Zukunft eine große Rolle, wenn man diesen deflationären Effekt auf KI und andere Bereiche der Robotik und der computergestützten Biologie betrachtet? Wird dies im Wesentlichen skalierbarer und zugänglicher?

Stephen: Ja. Die Sequenzierung ist eines der besten Beispiele für eine biotechnologische Verbesserung, die wesentlich kostengünstiger geworden ist und daher in größerem Umfang und zu geringeren Kosten durchgeführt werden kann. Allerdings gibt es mehrere Faktoren, die dabei eine Rolle spielen.

Beispielsweise gibt es eine ganze akademische Gemeinschaft, die solche Messungen durchführt und diese Daten offen mit der Welt teilt. Dies hat wesentlich dazu beigetragen, eine Grundlage für die Entwicklung neuer Technologien zu schaffen. Es geht also nicht nur um die Kosten, sondern auch um den Gemeinschaftseffekt. Zusammen haben diese Elemente zu großen öffentlichen Datenbanken in den Lebenswissenschaften beigetragen und den Weg für Unternehmen geebnet, neue Technologien zu entwickeln und neue Dinge auszuprobieren. Diese Unternehmen können anhand der verfügbaren Informationen testen, was funktioniert und was nicht.

Zweitens hat nicht nur der Zugang zu Daten, sondern auch zu Algorithmen die Spielregeln verändert. Es gibt viele großartige öffentliche Toolkits für maschinelles Lernen, die den Einstieg in die Entwicklung neuer Technologien erleichtern.

Ray: Wenn man sich diesen spannenden Bereich ansieht, in dem DNA-Sequenzierung, Synthese, maschinelles Lernen, Computer Vision und Automatisierung zusammenlaufen und Sie gerade auch die Robotik angesprochen haben, dann sehen wir auf dem Markt auch diese neue Generation von Biotech-Unternehmen. Diese funktionieren wie ein Plattform-Geschäftsmodell, ähnlich wie vielleicht Uber oder Airbnb, wo sie über Elemente wie Datennetzwerkeffekte verfügen, auf denen andere Unternehmen aufbauen können. Ist das etwas, das Sie bei Cyclica beobachtet haben oder woran Sie aktiv beteiligt sind?

Stephen: Diese Frage stellte sich sicherlich in den frühen Phasen unserer Entwicklung. Zu Beginn entwickelten wir neue Vorhersagen, von denen wir erwarteten, dass sie einen Mehrwert für die Arzneimittelforschung bringen würden. Unser Fokus lag auf der zuvor erwähnten zentralen Philosophie, dass wir nicht nur wissen oder erklären wollten, wie ein Medikament auf sein primäres Ziel wirkt, sondern auch alles, was damit zusammenhängt, oder zumindest so viel wie möglich davon, und zwar im Voraus als Teil des Designprozesses für neue Wirkstoffe.

Also entwickeln wir irgendwann eine Vorhersage. Die Vorhersage ist gut, sie hat ein gutes Vorhersagesignal, mit dem wir zufrieden sind. Irgendwann stellt sich dann die Frage: „Wie lässt sich das kommerzialisieren?“ Mit anderen Worten: Wie gelangt man von hier (einer Vorhersage und etwas Software-Code) zu einem vollwertigen Unternehmen mit einem Geschäftsmodell?

Nun, ich kann nicht wirklich für andere Branchen sprechen, aber wenn man sich beispielsweise die KI für die Arzneimittelentwicklung ansieht – der Produktlebenszyklus der Arzneimittelentwicklung ist sehr kompliziert. Es gibt nicht nur einen einzigen Weg, der von „Ich möchte eine Therapie für diese bestimmte Erkrankung“ zu „Hier ist ein von der FDA zugelassenes Medikament für diese Erkrankung“ führt. Es gibt nicht nur einen einzigen Weg, sondern mehrere Wege, die man einschlagen kann. Darüber hinaus umfasst diese Forschung und Produktentwicklung Hunderte verschiedener Schritte.

Es gibt also viele verschiedene Bereiche, in denen rechnergestützte Techniken Wirkung zeigen können, und viele verschiedene Orte, an denen sich eine Technologie einfügen könnte. Natürlich gibt es weltweit viele Unternehmen, die in diesem Bereich gegründet werden. Überraschenderweise sind jedoch nicht so viele direkt miteinander im Wettbewerb, was das Angebot von zwei Tools für dieselbe Aufgabe angeht. Tatsächlich gibt es eine große Vielfalt hinsichtlich der verschiedenen Aufgaben, für deren Lösung und Umsetzung die einzelnen Technologien entwickelt werden.

An einem bestimmten Punkt in der Entwicklung eines Unternehmens müssen wir uns fragen: „Wollen wir uns darauf konzentrieren, ein Problem zu lösen, dies sehr gut zu machen und dann dieses Problem auszuweiten?“ Oder „Wollen wir uns auf einen bestimmten Wendepunkt konzentrieren, der den Wert innerhalb der Arzneimittelforschung steigert, und damit beginnen, einige Arzneimittelforschungsprogramme aufzubauen, die sich darauf konzentrieren?“

Das ist der Kompromiss zwischen einer eher horizontalen und einer eher vertikalen Unternehmensstruktur. Und es gibt zwei Denkrichtungen, die bei verschiedenen Unternehmen in diesem Bereich zum Tragen kommen: Entweder man nutzt eine Technologie, um bessere Medikamente zu entwickeln, oder man baut eine Technologie auf, geht Partnerschaften ein und schafft eine Plattform für viele verschiedene Menschen, um eine Reihe unterschiedlicher Programme bei ihrer eigenen Forschung zu unterstützen. Das ist eine Identitätskrise, mit der jedes Unternehmen in seiner Entwicklung irgendwann konfrontiert wird.

Ray: Wo stehen wir jetzt, Stephen, mit der Trennung zwischen einer Problemlösungsstruktur (die auf eine bestimmte Anzahl von Fällen ausgerichtet ist) und dem Gegenteil, das eher eine Plattform ist, auf der man über diese Kern-IP-Fähigkeiten im Bereich Daten verfügt und andere darauf aufbauen lässt, um dann von dort aus weiterzumachen?

Stephen: Das ist eine gute Frage. In dieser Branche gab es in beiden Bereichen Erfolge. Je mehr der Fokus auf der Punktlösung liegt, desto mehr kann diese bestimmte Technologie verfeinert werden. Je mehr sie verfeinert wird, desto besser kann sie eingesetzt werden. Dem steht jedoch gegenüber, dass es irgendwann zu sinkenden Erträgen bei der Entwicklung und Optimierung einer bestimmten Sache kommt.

Vielleicht gibt es tatsächlich einen besseren Ansatzpunkt, bei dem man mit einer effektiven Punktlösung beginnt und versucht, diese schrittweise nach oben und unten zu erweitern, um sie zu verbessern, und dann Partnerprojekte über einen längeren Zeitraum hinweg zu unterstützen.

Ray: Das ist wirklich interessant, Stephen. Während Sie sprechen, stelle ich mir unseren Bereich vor, den klassischen Softwarebereich, in dem es Plattformunternehmen gibt und Tausende, wenn nicht sogar über 100.000 Anbieter von Punktlösungen. Sie alle schaffen auf unterschiedliche Weise Mehrwert, und dieses Ökosystem hat zu einer enormen Produktivitätssteigerung innerhalb von Unternehmen und im B2B- oder B2C-Kontext geführt.

Was die Entwicklung im Bereich Biotechnologie angeht, wo stehen wir innerhalb dieses neuen Paradigmas? Konkret gefragt: Wie weit sind wir, wenn man es mit der Dotcom-Ära vergleicht, also den Anfängen des Internets, als es 1994 bis 1995 noch in den Kinderschuhen steckte, 1998 das verrückte Dotcom-Buch erschien und der Rest Geschichte ist? Wo stehen wir Ihrer Meinung nach, wenn es darum geht, dies aufzubauen und einen bahnbrechenden Einfluss auf das Gesundheitswesen zu erzielen?

Stephen: Ich möchte nicht den Zeitraum um das Jahr 2000 oder gar etwas davor nennen, denn das würde fast einer Vorhersage gleichkommen, dass sich eine Blase bildet. Aber ich denke, dass die vergleichende Biologie in gewisser Weise in einer beginnenden Pre-Dotcom-Blase mit großem Wachstum steckt.

Allerdings glaube ich nicht, dass dies der Fall ist, da ich denke, dass die Bioinformatik eine solidere Grundlage hat als das Internet in seiner Anfangsphase zwischen 1995 und 2000. Und ich denke, das liegt daran, dass in der Bioinformatik über einen langen Zeitraum hinweg so viel gute Arbeit geleistet wurde, nur unter anderen Namen. Damals war es nicht unter dem Namen KI bekannt. Verschiedene Begriffe kamen und gingen, wie zum Beispiel „Computational Chemistry”, und es gab einen starken Fokus auf Simulationen.

Darüber hinaus gibt es eine lange Geschichte von Simulationen und Vorhersagen, Vorhersagen in Form von Simulationen oder maschinellem Lernen innerhalb dieses bestimmten Bereichs. Daher denke ich, dass wir uns eher in der Zeit von 2006 bis 2007 befinden, als der verrückte Hype-Zyklus gekommen und gegangen sein könnte. Aber wir sehen eine gewisse Demokratisierung der Arzneimittelforschung, eine Demokratisierung der computergestützten Biologie und eine breitere Zugänglichkeit sowie Beiträge von vielen verschiedenen Organisationen weltweit. Ich denke also eher an den Aufstieg von YouTube und Facebook und die Phase des Internet 2.0 als an die Zeit vor der Dotcom-Blase.

Ray: Wow. Das bringt mich zum Lächeln. Also 2006 bis 2007? Ich dachte, du würdest 2001 bis 2002 sagen! Wir sind zwar noch früh dran, aber wir kommen langsam dahin.

Können Sie uns etwas über die großen Kraftverstärker erzählen, die Kerntechnologien, die uns hervorragend für die Jahre 2006 bis 2008 rüsten, in denen wir wirklich durchstarten und positive Auswirkungen erzielen werden?

Stephen: Seltsamerweise glaube ich nicht, dass diese Frage durch Technologie beantwortet werden kann. Ich denke, es hängt vielmehr von der Kultur der Wissenschaftler und ihrer Bereitschaft ab, sich anzupassen und einen Beitrag zu leisten. Außerdem gibt es den Wunsch kleinerer Unternehmen und Biotech-Firmen, außerhalb dieser traditionellen Zentren weltweit Fuß zu fassen.

Ich denke, es handelt sich eher um eine Kultur der Bereitschaft und die Mentalität von Wissenschaftlern gegenüber Vorhersagen. Es ist wie der Wandel in der Erstellung von Inhalten, der 2007 begann, als die Menschen von Internetkonsumenten zu Internet-Content-Erstellern wurden. Wissenschaftler weltweit beschränken sich nicht mehr nur auf die Grundlagenforschung, sondern setzen ihre Ideen um und entwickeln Therapien.

Es sind all die Studenten und Professoren in Labors weltweit, die diese erstaunlichen Forschungen und großartigen Entdeckungen über die Auswirkungen bestimmter Proteine auf Zellen machen. Sie sind es, die nach der nächsten Stufe suchen und wichtige Fragen stellen wie: „Warum kann ich nicht derjenige sein, der ein neues Therapeutikum entwickelt? Warum kann ich nicht derjenige sein, der etwas Neues auf den Weg bringt?“

Ich denke, dass es dieser Appetit ist, der uns so begeistert, oder? Wenn wir einen Weg finden, die Arzneimittelforschung zu demokratisieren, dann wären wir meiner Meinung nach in derselben großartigen Position, in der sich diese Internetunternehmen befanden, als die Menschen dafür bereit waren.

Ray: Es scheint, als würden wir hier ein völlig neues Metaversum erschließen, Stephen. Wenn wir es auf diese Weise demokratisieren, könnte es beispielsweise einen begabten Doktoranden an einer Hochschule in Südafrika geben, der auf einer Plattform eines Biotech-Unternehmens mit Sitz in Nordamerika aufbaut und in diesem Prozess einen echten Mehrwert schafft. Ist das die potenzielle Welt, die wir in den nächsten ein bis zwei Jahren verwirklichen werden, oder geschieht dies bereits?

Stephen: Ich denke, das geschieht bereits, und es gibt Begeisterung und Interesse dafür. Die Forscher befassen sich mit seltenen Krankheiten, und Sie haben Südafrika erwähnt, also auch mit Tropenkrankheiten. Vielleicht zwingt dies die Industrie dazu, ihren Blickwinkel zu erweitern.

Ray: Was sind Ihre Lieblingsbeispiele für Teams oder einzelne Organisationen, die derzeit wirklich etwas bewegen?

Stephen: Nun, ich würde sagen, wir (lacht).

Ray: Natürlich weiß ich, dass ihr das seid!

Stephen: Natürlich gibt es viele andere Unternehmen in diesem Bereich, die wir sehr schätzen. Aber das ist es, was wir anstreben und wozu wir beitragen möchten. Aus diesem Grund haben wir akademische Partnerschaftsprogramme ins Leben gerufen. Wir glauben, dass diese Ausbildung und Erfahrung für unsere Partner, die Studierenden und die Postdoktoranden, mit denen wir zusammenarbeiten, von unschätzbarem Wert ist. Sie ermöglicht ihnen einen Einblick in die Branche, weckt ihr Interesse und motiviert sie, weiterzumachen.

Wir haben in Zusammenarbeit mit zwei anderen akademischen Einrichtungen ein Archivpapier veröffentlicht. Eine davon hat uns auf technologischer Ebene unterstützt und eine neue Technologie zur Identifizierung von Protein-Targets entwickelt, und zwar durch Bo Wang vom Vector Institute, seinen Studenten Haotian und den Postdoktoranden Mehran, die uns bei einem COVID-19-Arzneimittelforschungsprogramm geholfen haben, bei dem sie bei der Identifizierung von Targets halfen. Dann nutzen wir unsere selbst entwickelte Technologie, Polyform DB, eine Datenbank zur Umwidmung von Arzneimitteln, die die Wechselwirkungen von etwa 10.000 klinisch getesteten Wirkstoffen mit Targets vorhersagt.

Es handelt sich also um Verbindungen, für die Phase-I-, Phase-II- oder Phase-III-Daten vorliegen oder die von der FDA in Bezug auf etwa 8.000 menschliche Proteine zugelassen wurden. Es handelt sich um eine Art vorab berechnete Datenbank mit Wechselwirkungen zwischen Wirkstoffen und Zielmolekülen, und wir vergleichen ihre Zielmoleküle mit unseren Vorhersagen. Mit Hilfe einer anderen akademischen Gruppe, Costin Antonescu von der Ryerson University und Postdoktorand Michael aus seiner Gruppe, haben sie einen genauen Virusinfektiositätstest entwickelt, bei dem echte menschliche Zellen und lebende Viren verwendet werden, um Tausende von Verbindungen im Vergleich zu einigen Robotern wirklich sehen zu können. Mit diesem wissenschaftlichen Screening mit geringem Durchsatz können wir sehen, dass es genau ist. So konnten wir etwa 26 Verbindungen für Tests auf der Grundlage der Produktion kaufen, und wir hatten einige Treffer. Dies führte zur Entdeckung eines neuen Kandidaten für COVID-19, der jedoch nicht direkt auf das Virus, sondern auf menschliche Zellen wirkt. Die Hoffnung bei diesem Ansatz ist, dass er möglicherweise resistenter gegen Mutationen ist, wenn nachfolgende Experimente zeigen, dass dies tatsächlich ein geeigneter Kandidat für klinische Studien ist.

Ich wollte darauf hinweisen, weil ich dachte, dass dies ein gutes Beispiel für das Interesse akademischer Einrichtungen speziell in Bezug auf COVID-19 ist. Als die Pandemie im März und April 2020 ausbrach, wollten alle in diesem Bereich helfen. Also haben wir uns mit einigen akademischen Einrichtungen zusammengetan, und alle haben eine wichtige Rolle gespielt. Wir haben nicht nur Wirkstoffe für neue Anwendungen gefunden, sondern auch neue Ziele, die möglicherweise nützlich sein könnten, wenn wir weiter voranschreiten und vielleicht neue Wirkstoffe entwickeln, die gegen zukünftige Coronaviren oder andere Viren wirksam sein könnten.

Ray: Je mehr Sie über dieses Beispiel sprechen, in dem Sie diese wunderbaren Partnerschaften mit bestimmten akademischen Einrichtungen hatten, desto mehr ähnelt es der Art und Weise, wie bestimmte Software entwickelt wird. Wir beobachten eine enorme Konvergenz, bei der moderne Biotech-Unternehmen einen Betriebsrhythmus haben, der sich nicht von dem eines erstklassigen Cloud-basierten Softwareunternehmens unterscheidet.

Stephen, hat sich bei den Details der Umsetzung viel geändert? Wenn ihr also mit einer akademischen Einrichtung in Neuseeland zusammenarbeitet und den Prozess in Gang bringt, um all die langweiligen Dinge in Bezug auf die Sorgfaltspflicht, bestimmte gesetzliche Anforderungen und alle anderen Prozesse, die man normalerweise durchlaufen muss, zu erledigen, habt ihr dann große Änderungen in Bezug auf die Zusammenarbeit mit den Leuten und die Beschleunigung der Abläufe und Vereinbarungen vorgenommen?

Stephen: Am Anfang gab es sicherlich eine größere Hürde. Wenn wir nicht so beharrlich daran gearbeitet hätten, mit Wissenschaftlern zusammenzuarbeiten und herauszufinden, wie diese Prozesse aussehen, dann hätte sich die Situation vielleicht etwas anders entwickelt.

Glücklicherweise haben wir ein großartiges strategisches Partnerschaftsteam, das sich wirklich dafür engagiert hat, unsere Technologie bekannt zu machen und mit Wissenschaftlern zusammenzuarbeiten, um Technologien gemeinsam zu entwickeln und sie in der Praxis zu testen, damit wir Validierungen erhalten und so weiter. Die ersten Schritte waren sicherlich eine Herausforderung, aber nach einer Weile haben wir gelernt, was die akademischen Einrichtungen wollen. Und da diese Einrichtungen in der Regel mehr an angewandter Forschung und Partnerschaften interessiert sind, ist das Interesse gestiegen.

Dieser Appetit kommt auch von Universitäten und Regierungsprogrammen, die ihr Bestes tun, um die Zusammenarbeit zwischen Industrie und Wissenschaft zu fördern. Ich weiß, dass es in Kanada viele sehr gute Ressourcen gibt, mit denen wir zusammenarbeiten dürfen und die uns bei der Finanzierung einiger gemeinsamer Forschungsprogramme unterstützen. Das gibt uns die Möglichkeit, uns mit Dingen zu beschäftigen, die wir sonst vielleicht nicht hätten.

Den Wissenschaftlern bietet es alles, was sie für die Entwicklung ihrer Forschung und die Veröffentlichung ihrer Ergebnisse benötigen. Den Studenten wiederum bietet es eine einzigartige Chance, die ihnen nach ihrem Abschluss bessere Erfolgsaussichten verschafft. Ich denke also, dass dies auf viele verschiedene Faktoren zurückzuführen ist und nicht nur auf eine größere Aufgeschlossenheit der akademischen Einrichtungen und ihrer IP-Management-Abteilungen, die ebenfalls zunehmend flexibler werden. Darüber hinaus leisten auch staatliche Programme einen wesentlichen Beitrag zu diesem Prozess. Schließlich besteht nach wie vor ein sehr großer Bedarf an Grundlagenforschung, der jedoch durch den Bedarf an angewandter Forschung ausgeglichen wird. Es ist also die Entwicklung und Verbesserung des gesamten Ökosystems, die den Zugang zu diesen Bereichen erleichtert.

Ray: Wenn man sich auf den akademischen und staatlichen Bereich konzentriert, gab es in den letzten ein bis zwei Jahren massive kulturelle Veränderungen, durch die die Bürokratie abgebaut wurde? Ich weiß, dass es in der Vergangenheit Herausforderungen gab, Dinge in Gang zu bringen und Menschen zur Umsetzung zu bewegen. Aber kann man jetzt eine Partnerschaft eingehen und versuchen, Dinge umzusetzen und Ergebnisse zu erzielen?

Stephen: Die bürokratischen Hürden sind nie ganz beseitigt. Ich weiß nicht, ob es systematische Verbesserungen gibt oder ob unser eigenes Team einfach besser damit umgehen kann, aber es ist auf jeden Fall kein großes Hindernis mehr. Ich denke, der Wille ist stärker als alle bürokratischen Hürden, sodass wir auch dann, wenn sie auftreten, sie überwinden können.

Ray: Kann man sagen, dass dieser Informations-Workflow intern bei Cyclica mittlerweile für Ihre tägliche Arbeit von entscheidender Bedeutung ist, da Sie mehr denn je nach außen schauen?

Stephen: Als wir noch viel kleiner waren, sieben bis zehn Leute, war es sicherlich schwierig, all das zu steuern und im Blick zu behalten. Aber wissen Sie, seit wir gewachsen sind, insbesondere jetzt, wo wir mehr als 50 Mitarbeiter haben, ist es etwas einfacher, verschiedene Personen für die Überwachung verschiedener Dinge verantwortlich zu machen. Und innerhalb dieser Gruppe von 50 Mitarbeitern gibt es viele Personen, die sich sehr für bestimmte Bereiche interessieren, wie beispielsweise Regierungsprogramme, akademische Einrichtungen und Partnerschaften. Als Organisation hilft das sicherlich dabei, das Bewusstsein aufrechtzuerhalten, denn als Einzelperson kann es schwierig sein, das zu tun.

Ray: Wenn wir uns jetzt einmal ganz unbeschwert mit einer Utopie beschäftigen, dann haben wir es hier mit einem völlig neuen Paradigma im Bereich Biotechnologie und Life Sciences aus kommerzieller Sicht zu tun. Wie Sie bereits erwähnt haben, nähern wir uns in diesem Bereich gerade der Internet-Ära von 2006 bis 2007.

Wie sehen die Monetarisierungsmodelle aus? Denn mir schwirrt der Kopf, wenn ich darüber nachdenke, wie man ein Unternehmen heute skalieren kann. Gibt es bestimmte revolutionäre neue Wege, um den Umsatz zu steigern und die Monetarisierung zu demokratisieren, damit eine größere Gruppe von Stakeholdern mitwirken und von ihrer großartigen Arbeit und ihrem Einfluss auf das Gesundheitswesen profitieren kann?

Im wahrsten Sinne des Wortes geht es bei Stephen wild zu – nicht nur in der Branche, sondern im gesamten Bereich. Gibt es bestimmte Monetarisierungsmodelle, die als verrückte neue Ideen diskutiert werden oder derzeit tatsächlich umgesetzt werden?

Stephen: In den Jahren 2007 bis 2008, als die ersten YouTube-Content-Ersteller auf den Plan traten, Facebook-Nutzer boomten und über verschiedene Monetarisierungsmodelle nachdachten. Erfolgreich waren in diesem Bereich Modelle, von denen sowohl die Plattformen als auch die einzelnen Mitwirkenden profitierten. Das Aufkommen der YouTube-Stars auf YouTube ist ein perfektes Beispiel dafür.

Ich denke, dass die Lösung, die sich aus diesem Bereich herauskristallisieren wird, einem ähnlichen Muster folgen wird. Wissenschaftler, die sich mit Grundlagenforschung befassen, neue interessante Ziele identifizieren und Krankheitsmodelle sowie zelluläre Krankheitsmodelle entwickeln, werden von dieser Forschung profitieren können. Ja, ich bin fest davon überzeugt, dass es viel Hoffnung und Aufregung darüber gibt, wie sich Biotechnologieunternehmen in den nächsten fünf bis zehn Jahren positionieren und entwickeln werden.

Ray: Mit dem rasanten Aufstieg der Blockchain-Technologie zu einer zentralisierten dezentralen Ledger-Technologie, der sich in letzter Zeit wirklich beschleunigt hat, und auf einer eher republikanischen Ebene dem enormen Anstieg von Bitcoin und Ethereum, erlebt sie gerade so etwas wie ihren Moment von 1998. Wir lesen und sprechen hier tatsächlich mit potenziellen Partnern darüber, wie man durch die Demokratisierung der Arzneimittelentwicklung beispielsweise einen akademischen Forscher in der Frühphase, der möglicherweise über einen Vorhersagealgorithmus verfügt, der von einem Biotech-Unternehmen X verwendet wird, potenziell motivieren könnte. Aber sie sind jetzt offener dafür, dies vielleicht auf einem Marktplatz zu teilen, auf dem man, wenn man ein kluger Kopf an einer Institution in beispielsweise Südafrika ist, einfach seine Idee hochlädt und sie tokenisiert wird. Sie wird in der Blockchain gespeichert.

Wenn also das Biotech-Unternehmen X in San Diego sagt: „Wow, wir sind begeistert von diesem Vorhersagemodell, das uns tatsächlich diese Möglichkeit in unserem Unternehmen eröffnet. Wir werden dies zeitlich festhalten und Sie dafür belohnen“, sehen Sie dann Bereiche wie Blockchain und nicht fungible Token (NFT), die in die Biotechnologie einfließen?

Stephen: Nun, das ist definitiv eine interessante Idee, eine Art App-Store für Bioinformatik zu haben. Vielleicht sollten wir uns damit befassen und nebenbei etwas auf die Beine stellen.

Ray: Nun, wenn wir das mit dieser Internetgeschichte in Verbindung bringen, ist das doch unvermeidlich, oder? Sehen Sie außerhalb Ihrer Organisation etwas auf einer breiten Ebene, ganz allgemein, einen Überblick aus 500.000 Fuß Höhe, wird darüber diskutiert?

Stephen: Bei Blockchain würde ich sagen, etwas weniger. Aber ich habe durchaus schon von der Verwendung von Blockchain für elektronische Notizbücher gehört. Ich kann nicht wirklich sagen, wie das im Einzelnen funktioniert, aber es ist eine Möglichkeit, sicherzustellen, dass Informationen innerhalb von Experimenten und anderen aufgezeichneten Vorgängen nicht verändert werden, zumindest zum Zwecke der späteren Überprüfung oder Verifizierung. Ich habe also von Anwendungen der Blockchain in diesen Bereichen gehört.

Ray: Nun, Stephen, es war faszinierend, mit Ihnen ins Gespräch zu kommen. Wir könnten wahrscheinlich stundenlang reden, denn ich finde, was Sie und Ihr Team bei Cyclica leisten, ist beeindruckend. Sie sind in einem Marktbereich tätig, für den wir bei PatSnap eine große Leidenschaft hegen. Wir haben weit über 1.000 Kunden, die direkt oder indirekt in diesem Bereich tätig sind. Wir wissen es sehr zu schätzen, dass Sie heute bei Innovation Capital dabei sind.

Nun, um das Ganze mit einer lustigen Schnellfeuerrunde abzuschließen, die völlig am Thema vorbeigeht: Glauben Sie an außerirdische Lebensformen oder nicht?

Stephen: Gläubig. Ganz sicher.

Ray: Warum?

Stephen: Ich glaube, dass außerirdisches Leben wahrscheinlich nicht so ist, wie wir es uns vorstellen. Aber zu sagen, dass es nirgendwo auf irgendeinem Planeten etwas gibt, das wie eine Art Bakterium aussieht, ist etwas weit hergeholt. Jedes Mal, wenn ich etwas Neues über die Welt der Astronomie höre, ist das Universum zehnmal größer, als wir bisher dachten. Wenn also das Universum immer größer wird, als wir erwartet haben, dann muss auch die Wahrscheinlichkeit, dass es Außerirdische gibt, größer sein, als wir erwartet haben.

Ray: Wo wird Ihrer Meinung nach der Bereich der komplementären Biotechnologie im Jahr 2030 stehen, was die Markteinführungszeit, die Arzneimittelkosten und spannende Entwicklungen angeht?

Stephen: Ich denke, auf der technologischen Seite wird es viel mehr Experimente geben, die nur zum Zweck des Trainings von Modellen durchgeführt werden. Ich denke dabei an Cloud-Computing-Cluster wie AWS und Google Cloud, die in der Regel über Instanzen verfügen, die während der Ausfallzeiten genutzt werden, wenn niemand die VMs kauft. Während dieser Zeit werden die VMs gemietet und die Ausfallzeiten werden einfach für andere Arten von Berechnungen genutzt. Ich denke, dass Laborgeräte, anstatt sich auf bestimmte Forschungsprogramme zu konzentrieren, insbesondere im Bereich der Robotik, einfach Daten in dunklen Räumen generieren könnten, in denen Proteine untersucht werden, nur um Daten zu generieren.

Was die langfristige Vision hinsichtlich der Patientenergebnisse angeht, denke ich, dass dieser gesamte Bereich – insbesondere wenn ein großer Schwerpunkt auf der Förderung dieser frühen Biotech-Unternehmen liegt, die aus Universitäten hervorgehen – den eher unterversorgten Erkrankungen zugutekommen wird. Ich denke auch, dass es viel mehr Unterstützung für Tropenkrankheiten, seltene Krankheiten und vielleicht auch für Dinge geben wird, die etwas weniger kanonisch sind. Ich denke, dass dies große Auswirkungen auf diese speziellen Patienten haben wird, vielleicht in Bereichen, die zuvor nicht als Ziel für Medikamente in Frage kamen. Dieser Ansatz birgt ein großes Potenzial, den Umfang dessen, was Menschen als medikamentös behandelbar oder als therapeutische Möglichkeiten betrachten, zu erweitern.

Ray: Die klassische Schlagzeile lautet, dass die durchschnittlichen Kosten für die Entwicklung eines Medikaments 2,5 Milliarden Dollar betragen und die durchschnittliche Entwicklungszeit acht bis zehn Jahre beträgt. Wo stehen wir Ihrer Meinung nach im Jahr 2030 in Bezug auf Zeit und Kosten?

Stephen: Ich glaube schon, dass es Auswirkungen geben wird. Aber ich glaube auch, dass es durch viel mehr Versuch und Irrtum auch viel mehr Irrtümer geben wird. Ich gehe davon aus, dass es die Vielfalt der Dinge erhöhen wird. Aber um eine konkrete Zahl zu nennen, wie teuer es sein könnte, sollte es auf jeden Fall weniger sein, aber es ist schwer, eine konkrete Zahl zu nennen, um wie viel weniger. Ich würde sagen, um die Hälfte.

Ray: Wir werden abwarten und sehen. Stephen, ich habe den Austausch heute sehr genossen und freue mich darauf, Sie bald wiederzusehen. Vielen Dank.

Stephen: Danke.