Enveda Biosciences
ใช้ AI ทำความเข้าใจภาษาทางเคมีของพืชและจุลชีพ เพื่อค้นหายาใหม่จากธรรมชาติ
Enveda เป็นบริษัทพัฒนาเภสัชกรรมด้วย AI ตั้งอยู่ที่เมืองบอดด์ รัฐโคโลราโด สหรัฐอเมริกา งานของพวกเขาอาจฟังดูโรแมนติก: ใช้เครื่องสเปกโตรเมตรีมวล (MS) สแกนสารประกอบธรรมชาติจากพืช เห็ด และจุลชีพ แล้วให้ระบบเรียนรู้ของเครื่อง "แปล" โครงสร้างและหน้าที่ของโมเลกุลเหล่านั้น
พวกเขาแก้ปัญหาที่ชัดเจน: แม้ว่าเกือบครึ่งหนึ่งของยาที่ใช้ในปัจจุบันมาจากสารธรรมชาติ แต่พื้นที่เคมีธรรมชาติที่เราศึกษาได้จริงนั้นยังน้อยกว่า 0.1% ตามที่เว็บไซต์บอก สาเหตุไม่ใช่ว่าไม่มีความต้องการ แต่กระบวนการดั้งเดิมต้องทำการแยกสารผสมหนึ่งต่อหนึ่ง, กำหนดโครงสร้าง, แล้วทดสอบกิจกรรม ซึ่งอาจใช้หลายปี Enveda ใช้แพลตฟอร์มที่จับสัญญาณ MS ตรงกับโครงสร้างโมเลกุล ทำให้ข้ามขั้นตอนการแยกส่วนใหญ่ไปได้ บริษัทอ้างว่าสามารถค้นหายาเป้าหมายได้เร็วกว่าอุตสาหกรรมโดยเฉลี่ย 4 เท่า
ฟีเจอร์และสถานการณ์การใช้งาน
หัวใจของระบบคือโมเดลการทำนายโครงสร้างจากสเปกโตรเมตรีมวลที่พัฒนาขึ้นเองและฐานข้อมูลสารธรรมชาติที่รวบรวมไว้ พร้อมทีมเคมีเภสัชที่ผลักดันไปสู่การทดลองทางคลินิก ระบบนี้ไม่ใช่ SaaS ที่คุณสมัครใช้ได้ แต่เป็นบริษัทที่มีสายผลิตภัณฑ์ (pipeline) ของตนเอง ลูกค้าคือบริษัทเภสัช, นักลงทุนและสถาบันการศึกษา ศูนย์วิจัยตั้งอยู่ที่บอดด์และมีศูนย์พัฒนาในเมืองไฮเดอราบาด ประเทศอินเดีย
วิธีใช้สำหรับผู้อ่านในไต้หวัน
ไต้หวันมีฐานข้อมูลสมุนไพรและสารธรรมชาติที่ครบถ้วน ทั้งสถาบันวิจัยระดับชาติและคณะเภสัชศาสตร์ของมหาวิทยาลัยต่าง ๆ มีคลังสารสกัดที่สะสมมานานหลายปี ซึ่งเป็นวัตถุดิบที่ Enveda ต้องการ หากคุณทำงานในอุตสาหกรรมไบโอเทคหรือคณะเภสัชศาสตร์ ควรใช้ Enveda เป็นกรณีศึกษา "สารธรรมชาติ + AI" ที่แสดงให้เห็นว่าการเปลี่ยนคลังสารสกัดที่นอนอยู่ในตู้ให้กลายเป็นข้อมูลที่สามารถประมวลผลได้อย่างไร ส่วนผู้ใช้ทั่วไปจะไม่ได้ใช้แพลตฟอร์มนี้โดยตรง
ฟีเจอร์เด่น
- ทำนายโครงสร้างโมเลกุลจากสัญญาณสเปกโตรเมตรีมวลโดยตรง ลดขั้นตอนการแยกสาร
- ฐานข้อมูลสารธรรมชาติที่พัฒนาขึ้นเอง ครอบคลุมพืช, เห็ดและจุลชีพ
- โมเดลแมชชีนเลิร์นนิงทำนายกิจกรรมและศักยภาพเป็นยา
- มีสายผลิตภัณฑ์ยาใหม่ของบริษัทเอง ไม่ใช่เพียงผู้ให้บริการซอฟต์แวร์
- สำนักงานใหญ่ที่บอดด์ + ศูนย์วิจัยที่ไฮเดอราบาด, อินเดีย
ข้อดี
- มุ่งเน้นพื้นที่เคมีธรรมชาติที่ยังถูกสำรวจน้อย ทำให้มีความหายากและโอกาสสูง
- พลิกกระบวนการ "แยกแล้วจึงรู้ว่าเป็นอะไร" ให้เป็นการทำนายโดยตรง ลดเวลาและต้นทุน
- มีสายผลิตภัณฑ์คลินิกของตนเอง ยืนยันว่าวิธีการถูกทดสอบจริง ไม่ใช่แค่การตีพิมพ์
ข้อเสีย
- ไม่ใช่เครื่องมือที่เปิดให้ลงทะเบียนใช้งานได้ ผู้วิจัยภายนอกไม่สามารถเข้าถึงแพลตฟอร์มโดยตรง
- ความเสี่ยงของการพัฒนายาใหม่สูง แม้แพลตฟอร์มเร็วก็ต้องรอข้อมูลคลินิกเพื่อพิสูจน์คุณค่า
- เว็บไซต์ไม่ได้เปิดเผยรายละเอียดของสายผลิตภัณฑ์ เช่น โรคเป้าหมายหรือขั้นตอนคลินิก ทำให้ประเมินความคืบหน้าได้ยาก
กรณีการใช้งาน
- บริษัทเภสัชหรือไบโอเทคที่ต้องการค้นหาโมเลกุลยาใหม่จากสารธรรมชาติ
- สถาบันการศึกษาเพื่อประเมินวิธีการ "สารธรรมชาติ + การเรียนรู้ของเครื่อง"
- นักวิเคราะห์อุตสาหกรรมไบโอเทคศึกษาโมเดลธุรกิจของบริษัท AI‑driven drug discovery
- กรณีอ้างอิงการดิจิไทซ์คลังสมุนไพรและสารธรรมชาติของไต้หวัน
- นักลงทุนประเมินโอกาสในเส้นทางพัฒนายาด้วย AI
บันทึกบรรณาธิการ
ผมติดตามบริษัทนี้มานานแล้ว แม้คำว่า AI ในการพัฒนายาจะกลายเป็นสโลแกนบ่อย ๆ แต่ Enveda มีจุดเข้าที่เป็นรูปธรรม – ไม่ได้อ้างว่าจะทดแทนนักเคมี แต่ใช้ AI แก้ไขคอขวดที่ค้างอยู่มานาน 30 ปี (การแยกและกำหนดโครงสร้างของสารธรรมชาติ) สำหรับหน่วยงานในไต้หวันที่มีฐานสมุนไพรและสารธรรมชาติ Enveda ให้แนวคิดที่คุ้มค่ากว่าการดูบริษัทเอง
คำถามที่พบบ่อย
Enveda ให้ฉันสมัครใช้งานได้หรือไม่?
ไม่ได้ครับ Enveda เป็นบริษัทไบโอเทคที่มีสายผลิตภัณฑ์ยาเอง ไม่ใช่ SaaS ที่เปิดให้ลงทะเบียนใช้ เว็บไซต์มีเพียงข้อมูลบริษัท, สายผลิตภัณฑ์, การรับสมัครและช่องทางติดต่อเพื่อความร่วมมือหรือการลงทุน
พวกเขาอ้างว่าความเร็วเพิ่มขึ้น 4 เท่า น่าเชื่อหรือไม่?
เป็นการอ้างอิงจากข้อมูลของบริษัทเอง โดยเปรียบเทียบกับ "ค่าเฉลี่ยอุตสาหกรรม" แต่ไม่มีการเปิดเผยสูตรคำนวณอย่างละเอียด ควรถือเป็นการสื่อสารเชิงแนวทางและตรวจสอบผลจริงจากข้อมูลคลินิกต่อไป
การค้นหายาจากสารธรรมชาติเป็นแนวคิดเก่าแล้ว ทำไมถึงกลับมาเป็นที่นิยมอีกครั้ง?
หัวข้อเป็นของเก่า แต่เครื่องมือใหม่ทำให้มันกลับมาน่าสนใจ การพัฒนาความละเอียดของสเปกโตรเมตรีมวลและการใช้แมชชีนเลิร์นนิงช่วยให้สามารถย้อนกลับจากสเปกตรัมไปยังโครงสร้างได้เร็วขึ้น ทำให้ข้อจำกัดด้านการแยกและกำหนดโครงสร้างที่เคยเป็นอุปสรรคหายไป
ไต้หวันมีศักยภาพด้านการวิจัยนี้หรือไม่?
มีครับ สถาบันวิจัยระดับชาติและคณะเภสัชศาสตร์ของหลายมหาวิทยาลัยมีคลังสารสกัดและการคัดกรองกิจกรรมที่สะสมมานาน ปัญหาที่มักเจอคือการทำให้คลังเหล่านี้เป็นข้อมูลดิจิทัลที่พร้อมใช้ฝึกโมเดล
