၈၆-၂၁-၆၄၅၅၆၁၈၀

2018 တွင် ဆေးဝါးသုတေသနတွင် ထိပ်တန်း 7 လမ်းကြောင်းများ

 

စိန်ခေါ်မှုရှိသော စီးပွားရေးနှင့် နည်းပညာဆိုင်ရာ ပတ်ဝန်းကျင်တွင် ယှဉ်ပြိုင်ရန် အမြဲတစေ တိုးမြင့်လာသော ဖိအားအောက်တွင် ဆေးဝါးနှင့် ဇီဝနည်းပညာကုမ္ပဏီများသည် ဂိမ်းကိုရှေ့ဆက်နိုင်ရန် ၎င်းတို့၏ R&D ပရိုဂရမ်များတွင် အဆက်မပြတ် ဆန်းသစ်တီထွင်ရမည်ဖြစ်သည်။

ပြင်ပတီထွင်ဆန်းသစ်မှုများသည် မတူညီသောပုံစံများဖြင့် ရောက်ရှိလာသည် — တက္ကသိုလ်ဓာတ်ခွဲခန်းများမှ သီးသန့်ကျင်းပသည့် အကျိုးတူအရင်းအနှီးဖြင့် ကျောထောက်နောက်ခံပြုသော startup များနှင့် စာချုပ်စာတမ်းသုတေသနအဖွဲ့များ (CROs) တို့အထိ မတူညီသောနေရာများမှ အစပြုပါသည်။ 2018 နှင့်အထက်တွင် "ဟော့" မည့် သြဇာအရှိဆုံး သုတေသနလမ်းကြောင်းအချို့ကို ပြန်လည်သုံးသပ်ပြီး ဆန်းသစ်တီထွင်မှုများကို မောင်းနှင်သည့် အဓိကကစားသမားအချို့ကို အကျဉ်းချုပ်ကြည့်ကြပါစို့။

ပြီးခဲ့သည့်နှစ်က BioPharmaTrend အကျဉ်းချုပ်ဖော်ပြခဲ့သည်။အရေးကြီးသောလမ်းကြောင်းများစွာဇီဝဆေးဝါးစက်မှုလုပ်ငန်းကို ထိခိုက်စေခြင်း ၊ ဆိုလိုသည်မှာ- မျိုးရိုးဗီဇပြုပြင်ခြင်းနည်းပညာများ၏ ရှုထောင့်အမျိုးမျိုး၏ တိုးတက်မှု (အဓိကအားဖြင့် CRISPR/Cas9); immuno-oncology (CAR-T ဆဲလ်များ); microbiome သုတေသနအပေါ် အာရုံစိုက်မှု၊ တိကျသောဆေးပညာကို နက်ရှိုင်းစွာစိတ်ဝင်စားခြင်း၊ ပဋိဇီဝဆေးရှာဖွေတွေ့ရှိမှုတွင် အရေးကြီးသောတိုးတက်မှုအချို့၊ မူးယစ်ဆေးဝါး ရှာဖွေတွေ့ရှိမှု/ ဖွံ့ဖြိုးတိုးတက်မှုအတွက် ဉာဏ်ရည်တု (AI) နှင့် ပတ်သက်၍ ကြီးထွားလာသော စိတ်လှုပ်ရှားမှု၊ ဆေးဘက်ဆိုင်ရာဆေးခြောက်နယ်ပယ်တွင် အငြင်းပွားဖွယ်ဖြစ်သော်လည်း လျင်မြန်စွာ ကြီးထွားလာခြင်း၊ နှင့် ဆန်းသစ်တီထွင်မှုများနှင့် ကျွမ်းကျင်မှုများကို ရယူရန် R&D outsourcing မော်ဒယ်များတွင် ပါဝင်ခြင်းအပေါ် ဆေးဝါး၏ စဉ်ဆက်မပြတ် အာရုံစိုက်ခြင်း။

အောက်တွင်ဖော်ပြထားသည်မှာ စာရင်းတွင်ထည့်သွင်းထားသော နောက်ထပ်တက်ကြွသောသုတေသနနယ်ပယ်များစွာနှင့် အထက်ဖော်ပြပါခေတ်ရေစီးကြောင်းများနှင့်ပတ်သက်သော ထပ်လောင်းမှတ်ချက်အချို့— သက်ဆိုင်ရာနေရာတွင် အောက်တွင်ဖော်ပြထားသော ဤသုံးသပ်ချက်၏အဆက်ဖြစ်သည်။

1. ဆေးဝါးနှင့် ဇီဝနည်းပညာဖြင့် Artificial Intelligence (AI) ကို လက်ခံခြင်း။

ယနေ့ခေတ် AI နှင့်ပတ်သက်သော အရှိန်အဟုန်ဖြင့် ဆေးဝါးသုတေသနတွင် ဤလမ်းကြောင်းကို မည်သူမဆို အံ့အားသင့်စေပါသည်။ သို့သော် AI-မောင်းနှင်သည့်ကုမ္ပဏီများသည် သုတေသနလုပ်ဖော်ကိုင်ဖက်များနှင့် ပူးပေါင်းလုပ်ဆောင်သည့်အစီအစဉ်များစွာဖြင့် ဆေးဝါးကြီးကြီးများနှင့် အခြားထိပ်တန်းဘဝသိပ္ပံကစားသမားများနှင့် ဆွဲဆောင်မှုစတင်လာသည်ကို သတိပြုသင့်သည်။ဒီမှာယခုအချိန်အထိ အဓိက သဘောတူညီချက်များစာရင်းတစ်ခုဖြစ်သည်။ဒီမှာလွန်ခဲ့သည့်လများစွာအတွင်း “AI for drug discovery” space ရှိ ထင်ရှားသောလုပ်ဆောင်ချက်အချို့ကို အတိုချုံးသုံးသပ်ချက်ဖြစ်သည်။

AI-based ကိရိယာများ၏ အလားအလာကို ယခုအခါ - သုတေသနဒေတာတူးဖော်ခြင်းနှင့် ပစ်မှတ်ဖော်ထုတ်ခြင်းနှင့် အတည်ပြုခြင်းတွင် ကူညီပေးခြင်း၊ ဆန်းသစ်သောခဲဒြပ်ပေါင်းများနှင့် မူးယစ်ဆေးဝါး ကိုယ်စားလှယ်များကို ကူညီပေးခြင်း၊ ၎င်းတို့၏ ဂုဏ်သတ္တိနှင့် အန္တရာယ်များကို ခန့်မှန်းခြင်းအထိ AI အခြေခံကိရိယာများ၏ အလားအလာကို ယခုရှာဖွေတွေ့ရှိထားသည်။ နောက်ဆုံးအနေနှင့်၊ AI-based software သည် ယခုအခါ စိတ်ဝင်စားဖွယ်ဒြပ်ပေါင်းများရရှိရန် ဓာတုပေါင်းစပ်မှုအစီအစဥ်ကို ကူညီပေးနိုင်နေပြီဖြစ်သည်။ AI ကို အကြိုလက်တွေ့စမ်းသပ်မှုများ စီစဉ်ခြင်းနှင့် ဇီဝဆေးဘက်ဆိုင်ရာနှင့် ဆေးခန်းဒေတာများကို ခွဲခြမ်းစိတ်ဖြာခြင်းတို့တွင်လည်း အသုံးချပါသည်။

ပစ်မှတ်အခြေပြု မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုအပြင် AI ကို အခြားသော သုတေသနနယ်ပယ်များတွင် ဥပမာအားဖြင့် ဖီနိုတီပီဆေးဝါးရှာဖွေမှုပရိုဂရမ်များတွင် — မြင့်မားသောအကြောင်းအရာစိစစ်ရေးနည်းလမ်းများမှ အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာခြင်း။

သေးငယ်သော မော်လီကျူးဆေးရှာဖွေတွေ့ရှိမှုအပေါ် AI မောင်းနှင်သော startup များ၏ အဓိကအာရုံစိုက်မှုနှင့်အတူ၊ ဇီဝဗေဒရှာဖွေတွေ့ရှိမှုနှင့် ဖွံ့ဖြိုးတိုးတက်မှုအတွက် ထိုကဲ့သို့သောနည်းပညာများကို အသုံးချရန်လည်း စိတ်ဝင်စားမှုရှိပါသည်။

2. မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုများအတွက် ဓာတုနယ်မြေချဲ့ထွင်ခြင်း။

သေးငယ်သော မူးယစ်ဆေးဝါး ရှာဖွေတွေ့ရှိမှု ပရိုဂရမ်၏ အရေးကြီးသော အစိတ်အပိုင်းကို စူးစမ်းရှာဖွေခြင်းဖြစ်သည် — အောင်မြင်သောဆေးဝါးများဆီသို့ ခရီးစတင်မည့် (ဤခရီးတွင် ရှင်သန်ခဲယဉ်းသည်) — မြောက်မြားစွာသော ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း၊ အတည်ပြုခြင်းနှင့် စမ်းသပ်ခြင်းအဆင့်များမှတဆင့် စူးစမ်းရှာဖွေခြင်းတွင် ပါဝင်ပါသည်။

hit စူးစမ်းရှာဖွေမှု၏ အဓိကကျသောအချက်မှာ ဝတ္ထုပစ်မှတ်ဇီဝဗေဒကို စစ်ဆေးရန်အတွက် ကိုယ်စားလှယ်လောင်းများကို ရွေးချယ်ရန် မော်လီကျူးများကဲ့သို့ ကျယ်ပြန့်ပြီး ဓာတုဗေဒအရ ကွဲပြားသောနေရာသို့ ဝင်ရောက်ခွင့်ရခြင်းဖြစ်သည်။ pharma ၏လက်တွင်ရှိပြီးသားဒြပ်ပေါင်းစုဆောင်းမှုများကိုလူသိများသောဇီဝပစ်မှတ်များကိုပစ်မှတ်ထားသည့်သေးငယ်သောမော်လီကျူးဒီဇိုင်းများပေါ်တွင်တစ်စိတ်တစ်ပိုင်းတည်ဆောက်ထားသောကြောင့်ဇီဝပစ်မှတ်အသစ်များသည်တူညီသောဓာတုဗေဒကိုအလွန်အကျွံပြန်လည်အသုံးပြုမည့်အစားဒီဇိုင်းအသစ်များနှင့်စိတ်ကူးသစ်များလိုအပ်သည်။

ဤလိုအပ်ချက်ကို ဖြည့်ဆည်းပြီးနောက်၊ ပညာရပ်ဆိုင်ရာ ဓာတ်ခွဲခန်းများနှင့် ပုဂ္ဂလိကကုမ္ပဏီများသည် ပုံမှန်ဆေးဝါးကုမ္ပဏီ ပေါင်းစုစုဆောင်းမှုများတွင် ရရှိနိုင်သည့် ဓာတုဒြပ်ပေါင်းများ၏ ဒေတာဘေ့စ်များကို ဖန်တီးကြသည်။ ဥပမာများတွင် 166.4 ဘီလီယံ မော်လီကျူးများ ပါဝင်သော အတုမဲ့ မော်လီကျူးများ၏ GDB-17 ဒေတာဘေ့စ် နှင့်FDB-17လေးလံသော အက်တမ် ၁၇ ခုအထိပါရှိသော အပိုင်းအစကဲ့သို့ မော်လီကျူး ၁၀ သန်း၊ဇင့်- docking အတွက်အဆင်သင့်ဖြစ်နေပြီဖြစ်သော 3D ဖော်မတ်များတွင် သန်း 230 အပါအဝင် မော်လီကျူး သန်း 750 ပါ၀င်သော virtual screening အတွက် စီးပွားဖြစ်ရရှိနိုင်သည့် ဒြပ်ပေါင်းများ၏ အခမဲ့ဒေတာဘေ့စ်တစ်ခု။ နှင့် Enamine မှ ဓာတုဗေဒနည်းဖြင့် လက်လှမ်းမီနိုင်သော မကြာသေးမီက တီထွင်ဖန်တီးထားသော REadily AvailabLe (REAL) ဓာတုအာကာသ—မှတဆင့် ရှာဖွေနိုင်သော မော်လီကျူးပေါင်း သန်း 650REAL Space Navigatorsoftware နှင့်မော်လီကျူးပေါင်း ၃၃၇ သန်းကို ရှာဖွေနိုင်ပါတယ်။EnamineStore တွင် (ဆင်တူသည်)။

စူးစမ်းရှာဖွေမှုအတွက် မူးယစ်ဆေးဝါးနှင့်တူသော ဓာတုအာကာသအသစ်ကို ဝင်ရောက်ရန် အခြားနည်းလမ်းတစ်ခုမှာ DNA-ကုဒ်ဝှက်ထားသော စာကြည့်တိုက်နည်းပညာ (DELT) ကို အသုံးပြုထားသည်။ DELT ပေါင်းစပ်မှု၏ “ကွဲအက်ခြင်းနှင့် ရေကူးကန်” သဘောသဘာဝကြောင့်၊ ကုန်ကျစရိတ်နှင့် အချိန်ကုန်သက်သာသော နည်းလမ်းဖြင့် ဒြပ်ပေါင်းများစွာကို ဖန်တီးနိုင်သည် (ဒြပ်ပေါင်း သန်းပေါင်းများစွာမှ ဘီလီယံပေါင်းများစွာ)။ဒီမှာသမိုင်းဝင်နောက်ခံ၊ အယူအဆများ၊ အောင်မြင်မှုများ၊ ကန့်သတ်ချက်များ နှင့် DNA-ကုဒ်ဝှက်ထားသော စာကြည့်တိုက်နည်းပညာ၏ အနာဂတ်အတွက် ထိုးထွင်းသိမြင်နိုင်သော အစီရင်ခံစာတစ်ခုဖြစ်သည်။

3. သေးငယ်သောမော်လီကျူးများဖြင့် RNA ကို ပစ်မှတ်ထားခြင်း

မသေချာမရေရာမှုများလည်း မြင့်မားသော်လည်း ပညာရှင်များ၊ ဇီဝနည်းပညာလုပ်ငန်းစတင်မှုများနှင့် ဆေးဝါးကုမ္ပဏီများသည် မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုနေရာအတွက် အရှိန်အဟုန်ပြင်းပြင်းဖြင့် လမ်းကြောင်းသစ်တစ်ခုဖြစ်သည်။

သက်ရှိသတ္တဝါများတွင်၊DNAအချက်အလက်များကိုသိမ်းဆည်းပါ။ပရိုတင်းsynthesis နှင့်RNAribosomes တွင် ပရိုတင်းဓာတ်ပေါင်းစပ်မှုကို ဖြစ်စေသော DNA တွင် ကုဒ်သွင်းထားသော ညွှန်ကြားချက်များကို လုပ်ဆောင်သည်။ ဆေးဝါးအများစုသည် ရောဂါတစ်ခုအတွက် တာဝန်ရှိသော ပရိုတင်းများကို ပစ်မှတ်ထားသော်လည်း တစ်ခါတစ်ရံ ရောဂါပိုးဖြစ်စေသော လုပ်ငန်းစဉ်များကို ဖိနှိပ်ရန် မလုံလောက်ပါ။ ပရိုတိန်းများကိုပင် မပေါင်းစပ်မီ RNA လုပ်ငန်းစဉ်တွင် အစောပိုင်းတွင် စတင်ရန်နှင့် သြဇာလွှမ်းမိုးရန် စမတ်ကျသောဗျူဟာတစ်ခုဖြစ်ပုံရသည်၊ ထို့ကြောင့် မျိုးရိုးအမျိုးအစား၏ ဘာသာပြန်ခြင်းလုပ်ငန်းစဉ်ကို မလိုလားအပ်သော ဖီနိုအမျိုးအစား (ရောဂါပေါ်လွင်ခြင်း) သို့ သိသိသာသာ သြဇာသက်ရောက်စေသည်။

ပြဿနာမှာ၊ RNA များသည် သေးငယ်သောမော်လီကျူးများအတွက် နာမည်ဆိုးဖြင့်ကျော်ကြားသော ကြောက်မက်ဖွယ်ပစ်မှတ်များဖြစ်သည် — ၎င်းတို့သည် မျဉ်းဖြောင့်ဖြစ်သော်လည်း၊ ကိုးရိုးကားရား လိမ်ခြင်း၊ ခေါက်ခြင်း သို့မဟုတ် သူ့ဘာသာသူ ကပ်နိုင်ခြင်းတို့ကြောင့် မူးယစ်ဆေးဝါးအတွက် သင့်လျော်သော ချိတ်အိတ်များအဖြစ် ၎င်း၏ပုံသဏ္ဍာန်ကို ညံ့ဖျင်းစွာ ချေးငှားနိုင်သည်။ ထို့အပြင်၊ ပရိုတင်းများနှင့် ဆန့်ကျင်ဘက်အားဖြင့် ၎င်းတို့အားလုံးသည် အလွန်ဆင်တူပြီး သေးငယ်သော မော်လီကျူးများဖြင့် ပစ်မှတ်ထားရန် ခက်ခဲသော nucleotide တည်ဆောက်မှုတုံးလေးခုဖြင့် ဖွဲ့စည်းထားသည်။

သို့သော်၊မကြာသေးမီက တိုးတက်မှုများစွာRNA ကို ပစ်မှတ်ထားသည့် မူးယစ်ဆေးဝါးနှင့်တူသော ဇီဝဗေဒအရ တက်ကြွသော သေးငယ်သော မော်လီကျူးများ ဖန်တီးရန် အမှန်တကယ် ဖြစ်နိုင်ကြောင်း အကြံပြုအပ်ပါသည်။ ဆန်းသစ်သော သိပ္ပံဆိုင်ရာ ထိုးထွင်းသိမြင်မှုများသည် RNA အတွက် ရွှေရောင်အပြေးအလွှား လှုံ့ဆော်မှုဖြစ်စေခဲ့သည် –အနည်းဆုံး ကုမ္ပဏီ တစ်ဒါဇင်ဆေးဝါးကြီးကြီး (Biogen၊ Merck၊ Novartis နှင့် Pfizer) နှင့် Arrakis Therapeutics ကဲ့သို့သော ဇီဝနည်းပညာဆိုင်ရာ လုပ်ငန်းစဥ်များ အပါအဝင် ၎င်းအတွက် ရည်စူးထားသော ပရိုဂရမ်များရှိသည်။$38M Series A ဝိုင်း2017 တွင် နှင့် Expansion Therapeutics –$55M Series A 2018 အစောပိုင်း.

4. ပဋိဇီဝဆေးအသစ်ရှာဖွေတွေ့ရှိခြင်း။

ပဋိဇီဝပိုးသတ်ဆေးခံနိုင်ရည်ရှိသောဘက်တီးရီးယားများ—စူပါပိုးမွှားများ တိုးပွားလာခြင်းနှင့်ပတ်သက်ပြီး စိုးရိမ်ပူပန်မှုများ ကြီးထွားလာသည်။ ၎င်းတို့သည် နှစ်စဉ် ကမ္ဘာတစ်ဝှမ်းတွင် သေဆုံးမှု 700,000 ခန့်အတွက် တာဝန်ရှိပြီး UK အစိုးရ၏ သုံးသပ်ချက်အရ ဤအရေအတွက်သည် 2050 ခုနှစ်တွင် 10 သန်းအထိ သိသိသာသာ တိုးလာနိုင်သည်။ ဘက်တီးရီးယားများသည် အစဉ်အလာအတိုင်း အသုံးပြုခဲ့ကြသည့် ပဋိဇီဝဆေးများကို ခုခံနိုင်စွမ်း တိုးတက်ဖွံ့ဖြိုးလာပြီး၊ ထို့နောက် ဖြစ်လာသည်။ အချိန်နဲ့အမျှ အသုံးမဝင်ဘူး။

လူနာများတွင် ရိုးရှင်းသောရောဂါများကို ကုသရန် တာဝန်မဲ့ ပဋိဇီဝဆေးညွှန်းများ နှင့် မွေးမြူရေးမွေးမြူရေးလုပ်ငန်းတွင် ပဋိဇီဝဆေးများကို ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုခြင်းသည် ဘက်တီးရီးယားများ၏ ဗီဇပြောင်းလဲမှုနှုန်းကို အရှိန်မြှင့်ပေးခြင်းဖြင့် အခြေအနေကို ထိခိုက်စေပြီး ၎င်းတို့အား ကြောက်မက်ဖွယ်အရှိန်ဖြင့် ဆေးဝါးများကို ခံနိုင်ရည်ရှိစေသည်။

အခြားတစ်ဖက်တွင်၊ ပဋိဇီဝဆေးများရှာဖွေတွေ့ရှိမှုသည် ဆေးဝါးသုတေသနအတွက် ဆွဲဆောင်မှုမရှိသောနေရာတစ်ခုဖြစ်ပြီး၊ 'စီးပွားရေးအရဖြစ်နိုင်ချေ' ဆေးဝါးများကို တီထွင်ထုတ်လုပ်ခြင်းနှင့် နှိုင်းယှဉ်ပါက ပိုမိုဆွဲဆောင်မှုရှိစေပါသည်။ လွန်ခဲ့သောနှစ်ပေါင်းသုံးဆယ်ကျော်က နောက်ဆုံးမိတ်ဆက်ပေးခဲ့သော ပဋိဇီဝဆေးအမျိုးအစားများ၏ ပိုက်လိုင်းခန်းခြောက်မှုနောက်ကွယ်တွင် အဓိကအကြောင်းရင်းဖြစ်နိုင်သည်။

ယခုအချိန်တွင် ပဋိဇီဝဆေးရှာဖွေတွေ့ရှိမှုသည် စည်းမျဉ်းဥပဒေပြုလွှတ်တော်တွင် အကျိုးပြုသောပြောင်းလဲမှုအချို့၊ ပဋိဇီဝဆေးရှာဖွေမှုပရိုဂရမ်များထဲသို့ ငွေများသွန်းလောင်းရန် ဆေးဝါးများကို လှုံ့ဆော်ပေးပြီး အလားအလာရှိသော ဘက်တီးရီးယားပိုးသတ်ဆေးများကို တီထွင်ထုတ်လုပ်နေသော ဇီဝနည်းပညာလုပ်ငန်းစဥ်များတွင် ရင်းနှီးမြုပ်နှံသူများအဖြစ် ရင်းနှီးမြုပ်နှံမှုများပြုလုပ်ခြင်းကြောင့် ပိုမိုဆွဲဆောင်မှုရှိလာပါသည်။ 2016 ခုနှစ်တွင် ကျွန်ုပ်တို့ထဲမှ (AB)၊ပဋိဇီဝဆေးများ ရှာဖွေတွေ့ရှိမှုအခြေအနေကို ပြန်လည်သုံးသပ်ခဲ့သည်။Macrolide Pharmaceuticals၊ Iterum Therapeutics၊ Spero Therapeutics၊ Cidara Therapeutics နှင့် Entasis Therapeutics အပါအဝင် အာကာသအတွင်းရှိ အလားအလာရှိသော startups အချို့ကို အကျဉ်းချုပ်ဖော်ပြခဲ့သည်။

ထူးခြားသည်မှာ ပဋိဇီဝဆေးများ အာကာသအတွင်း စိတ်လှုပ်ရှားဖွယ်ရာ မကြာသေးမီက အောင်မြင်မှုများထဲမှ တစ်ခုဖြစ်သည်။Teixobactin ရှာဖွေတွေ့ရှိခြင်း။Northeastern University ရှိ Antimicrobial Discovery Center ၏ ဒါရိုက်တာ ဒေါက်တာ Kim Lewis ဦးဆောင်သော သိပ္ပံပညာရှင်အဖွဲ့မှ ၎င်း၏ analog များကို 2015 ခုနှစ်တွင် ပြုလုပ်ခဲ့သည်။ ဤအစွမ်းထက်သော ပဋိဇီဝဆေးအမျိုးအစားအသစ်သည် ၎င်းကိုဆန့်ကျင်ဘက်တီးရီးယားခုခံမှု ကြီးထွားမှုကို ခံနိုင်ရည်ရှိသည်ဟု ယုံကြည်ရသည်။ လွန်ခဲ့သည့်နှစ်တွင် Lincoln တက္ကသိုလ်မှ သုတေသီများသည် teixobactin ပေါင်းစပ်ထားသော ဗားရှင်းကို အောင်မြင်စွာ တီထွင်နိုင်ခဲ့ကာ အရေးကြီးသော ခြေလှမ်းသစ်တစ်ခုကို လှမ်းနိုင်ခဲ့သည်။

ယခုအခါ Singapore Eye Research Institute မှ သုတေသီများသည် ကြွက်မော်ဒယ်များတွင် Staphylococcus aureus keratitis ကို အောင်မြင်စွာ ကုသပေးနိုင်သော ဆေးဝါး၏ ပေါင်းစပ်ဗားရှင်းကို ပြသခဲ့သည်။ teixobactin ၏လုပ်ဆောင်မှုကို ဗီတိုအတွင်းသာ သရုပ်ပြခဲ့သည်။ ဤတွေ့ရှိချက်အသစ်အရ teixobactin သည် ဆရာဝန်များအသုံးပြုနိုင်သော ဆေးဖြစ်လာရန် နောက်ထပ် 6-10 နှစ်ကြာ ဖွံ့ဖြိုးတိုးတက်မှု လိုအပ်မည်ဖြစ်သည်။

2015 ခုနှစ်တွင် teixobactin ကိုရှာဖွေတွေ့ရှိပြီးနောက်၊ malacidins ဟုခေါ်သောအခြားပဋိဇီဝဆေးမိသားစုအသစ်သည်2018 ခုနှစ်အစောပိုင်းတွင်ဖော်ပြခဲ့သည်။. ဤရှာဖွေတွေ့ရှိမှုသည် ၎င်း၏အစောပိုင်းအဆင့်တွင်ရှိနေဆဲဖြစ်ပြီး teixobactin ၏နောက်ဆုံးပေါ်သုတေသနပြုထားသည့်အတိုင်းနီးပါးမဖွံ့ဖြိုးသေးပါ။

5. Phenotypic စစ်ဆေးခြင်း။

ပုံခရက်ဒစ်-SciLifeLab

2011 ခုနှစ်တွင် စာရေးဆရာ David Swinney နှင့် Jason Anthony တို့ ဖြစ်သည်။သူတို့ရဲ့ တွေ့ရှိချက်ရလဒ်တွေကို ထုတ်ပြန်ခဲ့ပါတယ်။1999 ခုနှစ်မှ 2008 ခုနှစ်အတွင်း ဆေးဝါးအသစ်များ ရှာဖွေတွေ့ရှိခဲ့ပုံနှင့်ပတ်သက်၍ ပထမတန်းစားသေးငယ်သော မော်လီကျူးဆေးများကို ပစ်မှတ်အခြေပြုနည်းလမ်းများထက် phenotypic စစ်ဆေးမှုကို အသုံးပြု၍ အမှန်တကယ်ရှာဖွေတွေ့ရှိခဲ့သည်ဟူသောအချက်ကို ထုတ်ဖော်ပြသခြင်း—နှင့် ဖော်ပြခဲ့သည့်ကာလအတွင်း အဓိကအာရုံစိုက်ခဲ့သည့် ပစ်မှတ်ကိုအခြေခံသည့်ချဉ်းကပ်မှုဖြစ်သည်ကို ထည့်သွင်းစဉ်းစားခြင်းသည် ပို၍ပင် ထင်ရှားပါသည်။

ဤသြဇာကြီးမားသော ခွဲခြမ်းစိတ်ဖြာမှုသည် ဆေးဝါးစက်မှုလုပ်ငန်းနှင့် ပညာရပ်နယ်ပယ်တွင် 2011 ခုနှစ်ကတည်းက phenotypic ဆေးဝါးရှာဖွေတွေ့ရှိမှုဆိုင်ရာ ပါရာဒိုင်းကို ပြန်လည်ဆန်းသစ်စေခဲ့သည်။ မကြာသေးမီက Novartis မှသိပ္ပံပညာရှင်များပြန်လည်သုံးသပ်မှုပြုလုပ်ခဲ့သည်။ဤလမ်းကြောင်း၏ လက်ရှိအခြေအနေနှင့် ဆေးဝါးသုတေသနအဖွဲ့များသည် phenotypic ချဉ်းကပ်မှုဖြင့် စိန်ခေါ်မှုများစွာကို ရင်ဆိုင်ခဲ့ရသော်လည်း ပစ်မှတ်အခြေခံစခရင်များ လျော့ကျလာပြီး လွန်ခဲ့သည့် 5 နှစ်တွင် phenotypic ချဉ်းကပ်မှုများ တိုးလာကြောင်း ကောက်ချက်ချခဲ့သည်။ ဖြစ်နိုင်သည်မှာ၊ ဤလမ်းကြောင်းသည် 2018 ထက် ကျော်လွန်သွားမည်ဖြစ်သည်။

အရေးကြီးသည်မှာ၊ phenotypic နှင့် ပစ်မှတ်အခြေခံချဉ်းကပ်မှုများကို နှိုင်းယှဉ်ရုံသာမက၊ မသေနိုင်သောဆဲလ်လိုင်းများမှမူလတန်းဆဲလ်များ၊ လူနာဆဲလ်များ၊ တွဲဖက်ယဉ်ကျေးမှုများနှင့် 3D ယဉ်ကျေးမှုများဆီသို့ သွားရန်ကဲ့သို့ ပိုမိုရှုပ်ထွေးသောဆဲလ်လူလာစစ်ဆေးမှုများဆီသို့ ပြတ်သားသောလမ်းကြောင်းရှိနေသည်။ စမ်းသပ်တပ်ဆင်မှုသည် ဆဲလ်တစ်ပိုင်းခွဲခန်းများရှိ ပြောင်းလဲမှုများ၊ ဆဲလ်တစ်ခုတည်းခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ဆဲလ်ပုံရိပ်ဖော်ခြင်းတို့ကိုပင် လေ့လာခြင်းဆီသို့ တစ်မူထူးခြားသော ဖတ်ရှုခြင်းထက် ကျော်လွန်သွားပါသည်။

6. အင်္ဂါများ (ခန္ဓာကိုယ်)-on-a-chip

သက်ရှိဆဲလ်များဖြင့် စီတန်းထားသော မိုက်ခရိုချစ်ပ်များသည် မူးယစ်ဆေးဝါး ဖွံ့ဖြိုးတိုးတက်မှု၊ ရောဂါပုံစံနှင့် ပုဂ္ဂိုလ်ရေးသီးသန့် ဆေးဝါးများကို တော်လှန်ပြောင်းလဲပေးနိုင်သည်။ 'ကိုယ်တွင်းအင်္ဂါများပေါ်မှ ချစ်ပ်များ' ဟုခေါ်သော ဤမိုက်ခရိုချစ်ပ်များသည် သမားရိုးကျတိရိစ္ဆာန်စမ်းသပ်ခြင်းအတွက် အလားအလာရှိသော အစားထိုးတစ်မျိုးကို ပေးဆောင်သည်။ အဆုံးစွန်အားဖြင့်၊ စနစ်များကို လုံး၀ချိတ်ဆက်ခြင်းသည် မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုနှင့် မူးယစ်ဆေးဝါးသုံးစွဲသူစမ်းသပ်မှုနှင့် တရားဝင်မှုအတွက် စံပြဖြစ်သော "body-on-a-chip" စနစ်တစ်ခုလုံးရှိရန် နည်းလမ်းတစ်ခုဖြစ်သည်။

ဤလမ်းကြောင်းသည် ယခုအခါ မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုနှင့် ဖွံ့ဖြိုးတိုးတက်မှုနေရာအတွက် ကြီးမားသောသဘောတူညီချက်တစ်ခုဖြစ်ပြီး မကြာသေးမီက “အင်္ဂါ-တစ်ခုပေါ်-တစ်ချပ်” ပါရာဒိုင်း၏ လက်ရှိအခြေအနေနှင့် ဆက်စပ်အကြောင်းအရာကို ကျွန်ုပ်တို့ လွှမ်းခြုံထားပြီးဖြစ်သည်။အသေးစားသုံးသပ်ချက်.

လွန်ခဲ့သော 6-7 နှစ်ခန့်က သံသယများစွာရှိခဲ့သော်လည်း၊ နယ်ပယ်ဆိုင်ရာအမြင်များကို စိတ်အားထက်သန်သောမွေးစားသူများမှ ထုတ်ဖော်ပြသလိုက်သောအခါတွင်၊ သို့သော် ယနေ့ခေတ်တွင် ဝေဖန်ရေးသမားများ လုံး၀ ဆုတ်ခွာသွားပုံရသည်။ စည်းမျဉ်းစည်းကမ်းနှင့် ရန်ပုံငွေအေဂျင်စီများသာ ရှိသည်။အယူအဆကိုလက်ခံခဲ့သည်။ဒါပေမယ့် အခု ပိုများလာတယ်။မွေးစားသည်။ဆေးဝါးနှင့် ပညာရပ်ဆိုင်ရာ နှစ်ခုလုံးမှ ဆေးဝါးသုတေသနပလက်ဖောင်းတစ်ခုအဖြစ်။ on-chip စနစ်များတွင် ကိုယ်တွင်းအင်္ဂါစနစ် နှစ်ဒါဇင်ကျော်ကို ကိုယ်စားပြုထားသည်။ ၎င်းအကြောင်းပိုမိုဖတ်ပါ။ဒီမှာ.

7. ဇီဝပုံနှိပ်ခြင်း။

လူ့တစ်သျှူးများနှင့် ကိုယ်တွင်းအင်္ဂါများကို ဇီဝပရင့်ထုတ်ခြင်း၏ ဧရိယာသည် လျင်မြန်စွာ ဖွံ့ဖြိုးတိုးတက်နေပြီး ၎င်းသည် ဆေးပညာ၏ အနာဂတ်ဖြစ်သည်မှာ သေချာပါသည်။ 2016 နှစ်ဆန်းပိုင်းက စတင်တည်ထောင်ခဲ့ပြီး၊Celllinkလူသားဆဲလ်များ၏ အသက်နှင့် ကြီးထွားမှုကို အားပေးသည့် အရည်တစ်မျိုးဖြစ်သည့် 3D ပုံနှိပ်နိုင်သော bioink ကို ကမ္ဘာပေါ်တွင် ပထမဆုံး ကမ်းလှမ်းသည့် ကုမ္ပဏီတစ်ခုဖြစ်သည်။ ယခုအခါ ကုမ္ပဏီသည် ဆေးဝါးများနှင့် အလှကုန်များကို စမ်းသပ်ရန်အတွက် အဓိကအားဖြင့် နှာခေါင်းနှင့် နားများ- ခန္ဓာကိုယ်အစိတ်အပိုင်းများကို bioprint လုပ်ပါသည်။ ၎င်းသည် သုတေသီများကို အသည်းကဲ့သို့သော လူ့အင်္ဂါများမှ ဆဲလ်များနှင့် “ကစား” နိုင်စေမည့် ကုဗတုံးများကို ရိုက်နှိပ်ပေးသည်။

Celllink သည် မကြာသေးမီက ကင်ဆာသုတေသနနှင့် ဆေးဝါးရှာဖွေတွေ့ရှိမှုနယ်ပယ်ကို သိသိသာသာတိုးတက်စေရန်အတွက် ပြင်သစ်ဆေးဘက်ဆိုင်ရာနည်းပညာကုမ္ပဏီ CTI Biotech နှင့် ပူးပေါင်းခဲ့သည်။

ငယ်ရွယ်သော ဇီဝနည်းပညာစတင်တည်ထောင်မှုသည် လူနာ၏ကင်ဆာဆဲလ်နမူနာတစ်ခုနှင့် Cellink ၏ဇီဝအင်းကို ရောနှောခြင်းဖြင့် ကင်ဆာအကျိတ်များ၏ 3D ပရင့်ပုံတူများကို CTI ကို အဓိကအားဖြင့် ကူညီပေးပါမည်။ ၎င်းသည် သီးခြားကင်ဆာအမျိုးအစားများကို ဆန့်ကျင်သည့် ဆန်းသစ်သောကုသမှုများကို ရှာဖွေဖော်ထုတ်ရာတွင် သုတေသီများကို ကူညီပေးမည်ဖြစ်သည်။

ဇီဝနည်းပညာဆိုင်ရာ လုပ်ငန်းတစ်ခုဖြစ်သည့် OxSyBio သည် Oxford University spinout ကုမ္ပဏီဖြစ်သော OxSyBio၊ပေါင် 10 သန်းပဲ ရခဲ့တယ်။Series A တွင် ငွေကြေးထောက်ပံ့မှု။

3D bioprinting သည် အလွန်အသုံးဝင်သော နည်းပညာတစ်ခုဖြစ်သော်လည်း ပုံနှိပ်အရာဝတ္ထု၏ ကနဦးအခြေအနေကိုသာ ထည့်သွင်းစဉ်းစားသောကြောင့် ၎င်းသည် တည်ငြိမ်ပြီး သက်မဲ့ဖြစ်သည်။ ပိုမိုအဆင့်မြင့်သောချဉ်းကပ်မှုတစ်ခုမှာ ပုံနှိပ်ဇီဝအရာဝတ္ထုများတွင် စတုတ္ထအတိုင်းအတာအဖြစ် “အချိန်” ကို ပေါင်းစည်းရန် (“4D bioprinting” ဟုခေါ်သည်)၊ ပြင်ပလှုံ့ဆော်မှုတစ်ခုပြုလုပ်သည့်အခါ ၎င်းတို့၏ပုံသဏ္ဍာန်များ သို့မဟုတ် လုပ်ဆောင်ချက်များကို ပြောင်းလဲနိုင်စွမ်းရှိစေရန် ၎င်းတို့ကို ပုံဖော်ခြင်းဖြစ်သည်။ဒီမှာ4D ဇီဝပရင့်ထုတ်ခြင်းဆိုင်ရာ ထဲထဲဝင်ဝင် သုံးသပ်ချက်တစ်ခုဖြစ်သည်။

အပိတ်အမြင်

ဖော်ပြထားသော ထိပ်တန်းခေတ်ရေစီးကြောင်းတစ်ခုစီကို နက်နက်နဲနဲ စေ့စေ့ငုငုကြည့်ခြင်းမရှိဘဲ AI သည် လုပ်ဆောင်ချက်၏ တစ်စိတ်တစ်ပိုင်းကို အစဉ်တစိုက်လုပ်ဆောင်နေမည်မှာ ထင်ရှားပါသည်။ ဇီဝဆေးဝါးဆန်းသစ်တီထွင်မှုနယ်ပယ်အသစ်များအားလုံးသည် ဒေတာဗဟိုပြုဖြစ်လာသည်။ ဤအခြေအနေတွင် AI သည် ဆက်တိုက်ဆင့်ကဲဖြစ်ပေါ်နေသော များပြားသော၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် ကိန်းဂဏာန်းကိရိယာများပါ၀င်သည်ဟူသော ခေါင်းစဉ်အတွက် ဤအကြောင်းအရာအတွက် postscript တစ်ခုအနေဖြင့်လည်း ဤအခြေအနေသည် AI အတွက် အထင်ရှားဆုံးအခန်းကဏ္ဍကို ကြိုညွှန်းထားသည်။ မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုနှင့် အစောပိုင်းအဆင့်ဖွံ့ဖြိုးတိုးတက်မှုတွင် AI ၏အသုံးချပရိုဂရမ်များသည် ဖုံးကွယ်ထားသောပုံစံများနှင့် အကြောင်းရင်းများနှင့် သက်ရောက်မှုများကို ခွဲခြားသတ်မှတ်၍မရနိုင်သော သို့မဟုတ် နားလည်နိုင်စွမ်းမရှိသော ဆက်စပ်မှုများကို ဖော်ထုတ်ရန် ပစ်မှတ်ထားနေသည့် အစိတ်အပိုင်းအများစုအတွက်ဖြစ်သည်။

ထို့ကြောင့် ဆေးဝါးသုတေသနတွင် အသုံးပြုသည့် AI ကိရိယာများ၏ အစုခွဲသည် "machine Intelligence" သို့မဟုတ် "machine learning" ၏ မော်နီတာအောက်တွင် ပို၍သင့်လျော်ပါသည်။ အမျိုးအစားခွဲခွဲခြားမှုများနှင့် ကိန်းဂဏန်းဆိုင်ရာ သင်ယူမှုနည်းလမ်းများတွင်ကဲ့သို့ လူသားလမ်းညွှန်မှုဖြင့် ကြီးကြပ်နိုင်သည် သို့မဟုတ် ၎င်းတို့၏အတွင်းပိုင်းလုပ်ငန်းဆောင်တာများတွင် ကြီးကြပ်မှုမရှိသော အာရုံကြောကွန်ရက် အမျိုးအစားအမျိုးမျိုးကို အကောင်အထည်ဖော်ရာတွင် ကြီးကြပ်နိုင်သည်။ မသေချာသော (သို့မဟုတ် မရေရာသော) ကျိုးကြောင်းဆင်ခြင်ခြင်းအတွက် ဘာသာစကားနှင့် ဝေါဟာရဆိုင်ရာ စီမံဆောင်ရွက်မှုနှင့် ဖြစ်နိုင်ခြေနည်းလမ်းများသည်လည်း အသုံးဝင်သော အခန်းကဏ္ဍမှ ပါဝင်ပါသည်။

ဤကွဲပြားခြားနားသောလုပ်ဆောင်ချက်များကို "AI" ၏ကျယ်ပြန့်သောစည်းကမ်းတွင် မည်သို့ပေါင်းစည်းနိုင်သည်ကို နားလည်ခြင်းသည် စိတ်ပါဝင်စားသူအားလုံးလုပ်ဆောင်သင့်သည့် တုန်လှုပ်ဖွယ်အလုပ်တစ်ခုဖြစ်သည်။ ရှင်းလင်းချက်များနှင့် ရှင်းလင်းချက်များကို ရှာဖွေရန် အကောင်းဆုံးနေရာများထဲမှ တစ်ခုဖြစ်သည်။ဒေတာသိပ္ပံဗဟိုပေါ်တယ်နှင့် အထူးသဖြင့် ပုံမှန်သူ Vincent Granville ၏ ဘလော့ဂ်ပို့စ်များကွဲပြားမှုများကို ရှင်းလင်းစေသည်။AI၊ စက်ယိမ်းမှု၊ နက်နဲသောသင်ယူမှုနှင့် စာရင်းအင်းများအကြား။ AI တစ်ခုလုံး၏ အတွင်းပိုင်းနှင့် အပြင်ပိုင်းကို လိုက်လျောညီထွေဖြစ်လာခြင်းသည် ဇီဝဆေးဝါးလမ်းကြောင်းများထက် ရင်ဘောင်တန်းနိုင်ရန် သို့မဟုတ် မရှိမဖြစ်လိုအပ်သော အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။


စာတိုက်အချိန်- မေလ ၂၉-၂၀၁၈
WhatsApp အွန်လိုင်းစကားပြောခြင်း။