Vijay Pande leitete eine rund 4 Milliarden Dollar schwere Praxis, nachdem er bei Stanford das Projekt Folding@home entwickelt und die Investitionen von a16z in den Bereichen Gesundheit und Lebenswissenschaften ausgebaut hatte. Pande, der im Juni von seinem Amt zurücktrat, gründete gemeinsam mit Zach Werner VZVC. Die neue Firma tätigt pro Jahr statt rund 30 Investitionen etwa fünf fokussierte Investitionen; das Investmentteam besteht aus lediglich zwei Partnern und nutzt im Tagesgeschäft KI-Agenten.
Laut Pande kann künstliche Intelligenz bei der Identifizierung von Krankheitszielen, beim Wirkstoffdesign und bei der Unterstützung klinischer Studien helfen. Die Wahrscheinlichkeit, dass ein Medikament erfolgreich von der ersten Studie bis zum Ende der dritten Studie gelangt, liegt jedoch nur bei 20 %; klinische Studien können Hunderte Millionen Dollar kosten. Pande erklärt, dass künstliche Intelligenz bessere Ergebnisse als Tiermodelle liefern und die personalisierte Medizin voranbringen könnte.
Pande sagte, dass die Fortschritte bei künstlicher Intelligenz dadurch begrenzt würden, dass biologische Daten nicht einfach aus dem Internet zusammengetragen werden könnten und Unternehmen meist ihre eigenen geschlossenen Datensätze erstellten. Die zunehmende Verbreitung von Atlanten biologischer Informationen und Open-Source-Basismodellen könne dagegen weitreichende Auswirkungen auf das Gebiet haben, erklärte er. Pande betonte, dass künstliche Intelligenz nicht alles allein lösen könne und der entscheidende begrenzende Faktor häufig der Mangel an Daten sei.
Warum das wichtig ist
Die auf ein kleines Team und eine begrenzte Zahl konzentrierter Investitionen ausgerichtete Struktur von VZVC zeigt, dass die Spezialisierung auf Gesundheit und Lebenswissenschaften gemeinsam mit dem Streben nach operativer Effizienz verfolgt wird. Das grundlegende Problem hinter diesem Ansatz besteht darin, dass sich technischer Fortschritt aufgrund der hohen Kosten und der geringen Erfolgswahrscheinlichkeit in der Arzneimittelentwicklung nicht unmittelbar in klinische Ergebnisse übersetzt. Der Einsatz künstlicher Intelligenz bei Krankheitszielen, dem Wirkstoffdesign und Forschungsprozessen rückt daher nicht nur als Softwarefrage, sondern auch als Frage des Zugangs zu biologischen Daten in den Vordergrund. Dass Daten innerhalb von Unternehmen unter Verschluss bleiben, begrenzt die Übertragung der entwickelten Werkzeuge auf andere Forschungsarbeiten. Die zunehmende Verbreitung offener biologischer Atlanten und Basismodelle könnte diese fragmentierte Datenstruktur verändern; ihr Einfluss auf den klinischen Erfolg bleibt jedoch weiterhin eine offene Frage.