빅 데이터: 제약 R&D 상황에 대한 처방

이 수치는 2016년이 미국 제약 산업에 좋은 해가 아니었음을 보여줍니다. 12월 초 현재 식품의약국(FDA)이 승인한 신약은 19개에 불과해 2015년 승인된 신약의 절반에도 못미치고 2007년 이후 가장 낮은 수준이다. (R&D)는 3.7%로 떨어졌다.

이러한 실망스러운 통계에도 불구하고 제약 산업은 여전히 ​​광범위한 의료 생태계에서 필수적인 요소입니다. 그러나 업계는 생산성을 향상하고 개발 시간을 최소화해야 하는 압박에 직면해 있습니다. R&D 수익은 투자자에게 중요한 성과 지표일 뿐만 아니라 혁신 의약품의 가치를 집합적으로 결정하는 업계, 지불자 및 건강 기술 평가 그룹 간의 대화를 위한 출발점 역할을 합니다. 업계 관계자는 생산성 문제에 대응하기 위해 과학적 파트너십, 신흥 시장에 대한 투자, 제품 포트폴리오 다양화를 비롯한 다양한 전략을 추구할 수 있습니다. 그러나 이 자료에서 알 수 있듯이 다른 솔루션에는 약물 개발을 향상시키고 가속화할 수 있는 데이터 분석이 포함됩니다.

이 기사에서는 약물 개발의 현재 상태와 빅 데이터가 약물 발견, 임상 시험 설계 및 약물 부작용 탐지와 같은 다양한 구성 요소를 개선할 수 있는 방법을 살펴봅니다. 그런 다음 이러한 유형의 솔루션을 통합하려는 회사를 위한 권장 사항으로 마무리됩니다.

제약 R&D의 ROI 감소

앞서 언급한 바와 같이, 상업적 성공은 고사하고 결국 상업적으로 승인되는 약물 후보는 거의 없습니다. 전임상 시험을 시작한 약 5,000개 중 5개, 즉 0.1%만이 사람을 대상으로 하며, 단 한 개만이 사람에게 사용이 승인됩니다.

2012년 McKinsey 보고서에 따르면 약물 개발 프로그램의 수와 프로그램당 비용이 두 배로 증가함에 따라 누적 성공률이 50% 감소했습니다. 또한 일회성 출시는 ROI의 일시적인 개선을 보여 시험 비용 증가 및 혼잡한 시장과 같은 더 깊은 문제를 가리는 것으로 널리 알려져 있습니다. 많은 제약 회사가 25년 동안 상당한 주주 가치를 창출했지만 다음 10년 동안의 결과는 더 적습니다(아래 참조).

약물 개발 과정이 길고 힘들다는 데 이의를 제기하는 사람은 거의 없습니다. 결국, 약을 시장에 내놓는 데 10년 이상과 26억 달러가 소요될 수 있습니다. 연구자들이 세포 또는 분자 수준에서 질병의 배후 과정을 이해하려고 할 때 시작됩니다. 질병 과정과 경로에 대한 더 나은 이해를 통해 새로운 치료법에 대한 잠재적인 "표적"이 식별됩니다. 전임상 시험에서 안전성과 효능이 입증되면 후보자는 시험, 검토 및 승인의 연속 단계로 이동합니다.

모든 단계에서 실험 및 과거 데이터를 기반으로 특정 화합물의 진행 또는 중단에 대한 결정이 내려집니다. "빠른 실패" 또는 불만족스러운 성능에 따라 추가 개발을 종료하는 것이 중요합니다. 이는 파이프라인의 모든 연속 단계에서, 특히 인체 실험이 시작될 때 비용이 증가하기 때문입니다. 이러한 어려움을 해결하기 위해 제약 회사는 데이터 분석을 사용할 수 있습니다.

제약 회사를 위한 데이터 분석 애플리케이션

빅 데이터 분석에는 방대한 다양한 데이터 세트의 수집, 조작 및 분석이 포함됩니다. 그것은 여러 가지 방법으로 제약 회사에 약속을 제공합니다. 1) 예측 모델링은 약물 파이프라인의 목표를 발굴할 수 있습니다. 2) 통계 도구는 환자 모집을 개선하고 모니터링을 강화할 수 있습니다. 3) 공개 포럼 및 소셜 미디어 사이트의 데이터 마이닝을 통해 공식적으로 보고되지 않은 약물 부작용을 식별할 수 있습니다. 각 사용 사례를 살펴보겠습니다.

약물 발견의 예측 모델링

전환을 최적화하려는 마케팅 회사라면 전체 인구가 아닌 타겟 시장에 리소스를 투자할 것입니다. 이는 약물 발견에서도 유사합니다. 제약 회사는 초기 R&D 투자를 회수할 수 있도록 임상 시험 및 시장에서 성공할 가능성이 있는 화합물에 투자하는 것을 목표로 합니다.

과거 연구자들은 천연 식물 또는 동물 화합물을 후보 약물의 기초로 사용했습니다. 약물 개발은 역사적으로 HTS(고처리량 스크리닝) 실험실을 사용하여 예상 적중률이 1% 이하인 매일 수천 개의 화합물을 물리적으로 테스트하는 반복적인 프로세스였습니다. 그러나 이제 과학자들은 컴퓨터로 새로운 분자를 만들고 있습니다. 정교하고 기본적인 예측 모델링은 후보 약물 상호 작용, 억제 및 독성을 예측하는 데 도움이 될 수 있습니다. 널리 보급된 방법은 고급 수학적 모델링 및 시뮬레이션을 사용하여 화합물이 신체에서 어떻게 작용할지 예측하는 약동학 모델링입니다. 사용 가능한 단백질 구조 정보가 없더라도 가상 화합물 라이브러리의 스크리닝을 통해 연구자는 최대 10,000개의 화합물을 고려하고 10 또는 20개로 좁힐 수 있습니다.

이러한 기능을 반드시 사내에서 구축할 필요는 없습니다. 최근 IBM Watson Health와 Pfizer는 연구원들이 새로운 약물 표적을 발견할 수 있도록 협력 관계를 맺었습니다. 평균적인 연구자가 1년에 250-300개의 기사를 읽는 동안 Watson은 2,500만 개의 Medline 초록, 100만 개 이상의 전문 의학 저널 기사 및 400만 개의 특허를 처리했습니다. Watson은 숨겨진 패턴을 드러내기 위해 조직의 개인 데이터로 보강될 수도 있습니다.

더 간단한 접근 방식에는 전임상 연구, 임상 시험 및 시판 후 감시에서 얻은 과거 데이터의 적용이 포함됩니다. 데이터는 다양한 독립 변수를 기반으로 최종 결과(FDA 승인/환자 결과)를 예측하는 데 사용할 수 있습니다.

데이터를 많이 사용하는 프로세스로 인해 협업 증가

Paywall과 특허는 경쟁이 치열한 산업에서 정보의 흐름을 오랫동안 느리게 했습니다. 따라서 흥미로운 추세는 업계 당사자 간의 협력이 증가하고 있다는 것입니다. 예를 들어, 비영리 Structural Genomics Consortium은 9개의 제약 회사 및 연구소와 파트너 관계를 맺고 약물 희망 목록, 오픈 액세스 저널 및 실험 샘플을 공유하여 발견 속도를 높입니다.

마찬가지로 영국 스타트업인 MedChemica는 각 파트너의 지적 재산을 유지하면서 데이터 마이닝을 사용하여 개발을 가속화하도록 설계된 협업의 핵심입니다. MedChemica의 기술은 파트너의 분자 데이터베이스를 마이닝하여 밀접하게 일치하는 쌍을 찾고 둘 사이의 분석을 수행한 다음 출력을 사용하여 유사한 구조적 변화의 영향을 예측하기 위해 가상 분자에 적용할 수 있는 규칙을 만듭니다. 컨소시엄의 모든 파트너는 추가 데이터가 필요한 위치를 제안할 수 있으며 추가 테스트에서 비용을 공유하는 데 동의할 수도 있습니다.

더 나은 임상 시험 설계

임상 시험은 치료가 인간에게 안전하고 효과적인지 여부를 테스트하는 연구 연구입니다. 의약품이 FDA 심사를 받기까지 3단계가 있습니다. 각 후속 단계에는 더 많은 개인이 포함되며, I 단계에서는 수십 명에서 III 단계에서는 수천 명으로 증가합니다. 이 프로세스를 완료하는 데 일반적으로 6~7년이 걸립니다. 시장 출시가 지연되면 블록버스터 약물의 기회 비용이 하루에 1,500만 달러에 달할 수 있습니다. 다음은 몇 가지 임상 시험의 문제점과 빅 데이터가 이를 완화할 수 있는 방법입니다.

향상된 표적 채용

시험 실패는 종종 적격한 환자를 충분히 모집할 수 없기 때문에 발생합니다. 3상 시험은 10개 이상의 국가에서 100개 이상의 사이트에서 수행됩니다. 그리고 약물은 이제 종종 틈새 인구를 위해 설계되기 때문에 회사는 동일한 환자를 모집하기 위해 경쟁합니다. 그 결과 임상 시험의 37%가 모집 목표에 도달하지 못하고 11%의 사이트가 단일 환자 모집에 실패합니다. 국립 암 연구소에 따르면 암 환자의 5%만이 임상 시험에 참여합니다. 적격 환자를 모집하는 전통적인 방법은 의사의 환자 목록을 수동으로 검토하는 것이지만 비용이 많이 들고 느립니다.

여기에 전자 환자 병원 데이터와 빅 데이터가 도움이 될 수 있습니다. 분석 및 데이터 과학자를 사용하면 소셜 미디어와 같이 의사 방문자가 아닌 소스를 기반으로 환자를 등록할 수 있습니다. 이제 환자 선택 기준에는 유전 정보, 질병 상태 및 개인 특성과 같은 요소가 포함될 수 있으므로 임상 시험을 더 작고, 짧고, 저렴하게 할 수 있습니다. Eligo Health Research의 CEO인 John Potthoff는 "어군탐지기로 낚시하는 것과 같습니다."라고 말했습니다. “환자가 어디에 있고 어디로 가야 하는지 알 수 있습니다. 더 큰 풀을 볼 때 포함 및 제외 기준을 가장 잘 충족하는 환자를 찾는 데 더 집중할 수 있습니다." 제약 회사에 자문을 제공하는 독립적인 기관 검토 위원회인 Chesapeake IRB의 전무이사 Ellen Kelso는 시험의 60% 이상이 잠재적 참가자를 식별하기 위해 예비 온라인 분석을 사용한다고 추정합니다.

더 강력하고 효율적인 시험 관리

자동화와 빅데이터를 통해 시험을 실시간으로 모니터링할 수 있습니다. 안전 또는 작동 신호를 식별하여 불리한 이벤트 및 지연과 같은 비용이 많이 드는 문제를 피할 수 있습니다. 최근 McKinsey 보고서에 따르면 잠재적인 임상 시험 효율성 향상은 다음과 같습니다.

• 동적 샘플 크기 추정 및 기타 프로토콜 변경을 통해 임상 데이터에서 새로운 통찰력에 신속하게 대응할 수 있습니다. 또한 동등한 전력 또는 더 짧은 시험 시간의 더 작은 시험을 가능하게 하여 효율성을 향상시킵니다.
• 사이트 환자 모집 비율의 차이에 적응하면 회사는 뒤쳐진 사이트를 해결하고, 필요한 경우 새 사이트를 온라인으로 전환하고, 성공적인 사이트에서 모집을 늘릴 수 있습니다.
• 별도의 시스템이 아닌 전자 의료 기록을 임상 시험 데이터의 기본 소스로 사용하면 시험을 가속화하고 수동 데이터 입력 오류를 줄일 수 있습니다.
• 실시간 데이터 액세스로 지원되는 차세대 원격 모니터링은 시험에서 발생하는 문제에 대한 관리 및 대응을 개선할 수 있습니다.

실제 데이터로 임상 시험 데이터 보완

업계는 엄격하게 통제되는 기존의 임상 시험 환경에서 수집한 것보다 더 많은 사용 가능한 데이터를 경험했습니다. 익명화된 전자 건강 기록(EHR) 데이터는 과거에 분석되었지만 일반적으로 단일 연구 기관 또는 제공자 네트워크로 제한됩니다. 그러나 이제 서로 다른 데이터 소스를 연결하는 것이 가능하여 복잡한 연구 문제를 해결할 수 있습니다.

예를 들어 의사나 병원을 방문하는 동안 실시간으로 수집된 EHR 환자 데이터를 분석하면 실제 세계에서 치료 패턴과 임상 결과를 더 잘 이해할 수 있습니다. 이러한 통찰력은 임상 시험에서 얻은 정보를 보완하고 일반적으로 시험에서 제외되는 광범위한 환자(예: 고령자, 허약한 환자 또는 거동이 불편한 환자 등)를 평가할 수 있습니다. 제약 대기업 Genentech는 실제 환자의 데이터베이스를 분석하여 다양한 환자 하위 유형의 결과, 치료 요법 및 다양한 치료 패턴이 실제 세계에서 임상 결과에 미치는 영향을 이해하는 이 접근 방식에 막대한 투자를 했습니다.

약물이상반응 감지

약물로 인한 유해 반응은 약물 부작용(ADR)으로 알려져 있습니다. 임상 시험은 실제 조건을 완전히 모방하지 않기 때문에 시장 출시 전에 약물의 결과를 완전히 평가할 수 없습니다. 그리고 ADR 보고 시스템은 정보가 손실되거나 잘못 해석될 수 있는 변호사, 임상의 및 약사를 통과한 자발적인 규제 보고서에 의존합니다. 따라서 ADR 탐지 및 보고는 종종 불완전하거나 시기 적절하지 않습니다. 약물 부작용의 최대 90%는 보고되지 않은 것으로 추정됩니다.

많은 마약 사용자는 대신 Twitter, Facebook과 같은 소셜 미디어와 Medications.com 및 DailyStrength.com을 포함한 공공 의료 포럼을 통해 불만을 표명하거나 부작용을 보고합니다. 많은 사용자는 규제 기관(예: #FDA), 제조업체(#Pfizer, #GSK) 및 특정 제품(#accutaneprobz)에 대한 해시태그를 포함하기도 합니다. 환자가 제공한 ADR에 대해 이러한 사이트를 마이닝하면 의료 전문가가 진단하는 것보다 더 정확할 수 있습니다. Novartis의 글로벌 안전 책임자인 David Lewis에 따르면 "소셜 미디어에서 데이터를 마이닝하면 환자가 의사나 간호사에게 반드시 불평하지 않아도 되는 ADR을 캡처할 수 있는 더 큰 기회가 있습니다. 정신과 의사는 자살 생각을 다음과 같이 볼 수 없습니다. ADR은 환자가 완벽하게 설명할 수 있는 동안입니다.” 텍스트로 표현된 의견을 컴퓨터로 식별하고 분류하는 감성 분석도 수행할 수 있습니다.

Booz Allen Hamilton의 자회사인 Epidemico는 자연어 처리 및 기계 학습 알고리즘을 사용하여 약 1,400개 약물에 대한 소셜 미디어 게시물에서 ADR을 검색합니다. FDA와 Epidemico가 공동으로 시작한 2014년 연구에서는 690만 개의 트위터 게시물을 조사했으며 ADR과 유사한 4,401개의 트윗을 발견했습니다. FDA가 보유한 데이터와 비교할 때 이 연구는 비공식 소셜 미디어 보고서와 임상 시험에서 보고된 보고서 사이에 높은 관계가 있음을 발견했습니다(아래 차트 참조).

이러한 기능을 구현하려는 제약 회사를 위한 권장 사항

이점에도 불구하고 많은 제약 회사는 빅 데이터 분석 기능에 대한 투자를 경계하고 있습니다. 다음은 성공적인 구현을 위한 몇 가지 권장 사항입니다.

• 기술 및 분석. 레거시 시스템을 활용하는 제약 회사는 이러한 시스템을 연결하여 데이터 공유 능력을 높여야 합니다. 또한 제약 R&D는 스마트폰의 바이오 센서 및 건강 측정 장치와 같은 첨단 도구를 활용해야 합니다. 스마트 장치의 데이터와 센서 및 장치를 통한 환자의 원격 모니터링은 R&D를 촉진하고 효능을 분석하며 향후 판매를 향상시킬 수 있습니다. 예를 들어 Google은 Novartis와 파트너십을 체결하여 당뇨병 환자의 혈당 수치를 모니터링하는 스마트 콘택트 렌즈를 개발했으며 Roche와 Qualcomm은 혈전을 막아주는 항응고 모니터를 향상시켜 환자 정보를 무선으로 전송하는 데 협력하고 있습니다.

• 실제 증거에 중점을 둡니다. 지불인이 가치 기반 가격 책정을 활용함에 따라 실제 결과가 더욱 중요해지고 있습니다. 기업은 틈새 환자 집단을 대상으로 하는 것과 같이 실질적인 결과를 얻을 수 있는 약물을 추구함으로써 차별화할 수 있습니다. 임상 시험 이상으로 데이터를 확장하기 위해 독점 데이터 네트워크에 가입할 수도 있습니다.

• 내부 및 외부에서 협업합니다. 제약 R&D는 역사적으로 비밀로 숨겨져 왔지만 빅 데이터의 성공을 위해서는 내부 및 외부 협력 모두가 핵심이 될 것입니다. 내부 협업을 개선하려면 발견, 임상 개발 및 의료 업무 간의 원활한 커뮤니케이션이 필요합니다. 이를 통해 임상 식별 및 개인화 의학의 잠재적 기회를 포함하여 포트폴리오 전반에 걸친 통찰력을 얻을 수 있습니다. 외부 협력도 중요합니다. 학술 연구원은 최신 과학적 혁신에 대한 통찰력을 제공할 수 있고, 다른 제약 회사와 주도하는 이니셔티브는 발견에 활용할 수 있는 더 크고 강력한 데이터 풀을 생성할 수 있으며, 계약 연구 기관(CRO)은 내부 노력을 확장하는 데 도움이 될 수 있습니다. 또는 특정 전문 지식을 제공합니다.

• 조직. 데이터 사일로를 피하고 데이터 공유를 용이하게 하려면 기능 전반에 걸쳐 범위가 확장되는 다양한 데이터 유형에 소유자를 할당하는 것이 가장 좋습니다. 데이터 소유자가 얻은 전문 지식은 기존 정보를 사용하거나 추가 데이터를 통합하는 방법을 개발할 때 매우 중요합니다. 또한 데이터 품질에 대한 책임을 강화할 것입니다. 그러나 이러한 변화는 기업의 리더십이 빅데이터의 가치를 진정으로 뒷받침할 때만 가능합니다.

이별의 생각

오늘날 생명 과학, 컴퓨터 과학, 데이터 과학이 융합되고 있음이 분명합니다. 의심할 여지 없이 기술 및 문화적 문제가 앞에 놓여 있지만 고급 데이터 분석은 제약 회사가 불리한 R&D 경제에 맞서 싸울 수 있는 지렛대입니다. 물론, 빅 데이터의 약속은 조직이 구현에 있어 전략적 단계를 취하지 않는다면 그대로 남을 것입니다.

SaaS 회사인 Medidata의 Glen de Vries에 따르면 빅 데이터는 "생명 과학의 R&D 불안을 치료할 수 있습니다." 파이낸셜 타임즈가 주최한 글로벌 제약 및 생명 공학 컨퍼런스에서 그는 빅 데이터를 학자들이 상형 문자를 해독하고 고대 이집트 역사를 풀 수 있게 해준 Rosetta Stone의 발견에 비유했습니다. 유사하게, 유전체학/단백질체학에서 얻은 정보, 의사가 기록한 병원 내 데이터, 모바일 건강을 포함한 데이터 세트가 의료 시스템 내에서 결합될 수 있다면 의료 연구는 혁명을 겪을 것입니다.