Construindo biotecnologia com inteligência: estratégias para maximizar o valor das invenções biotecnológicas impulsionadas pela IA

O rápido crescimento da inteligência artificial (IA) e do aprendizado de máquina (ML) em produtos e serviços de biotecnologia está a tornar-se um impulsionador dos setores de medicina personalizada e cuidados de saúde. Embora essa integração possa exigir considerações especiais durante o desenvolvimento de um portfólio de patentes, as partes interessadas nas equipas de engenharia, jurídica e executiva, tanto em empresas estabelecidas como em startups, podem aproveitá-la para criar ativos valiosos de propriedade intelectual (PI) no mercado. As equipas de tecnologia e jurídica, em particular, podem trabalhar em conjunto para desenvolver uma PI mais forte que aplique aplicações de aprendizagem automática à biotecnologia, com um processo de I&D e uma análise de mercado que tenha em conta os seus pontos de pressão de PI únicos.

Identificando a relação entre biotecnologia e IA/ML

Ao construir um portfólio de patentes robusto e capturar amplamente ativos de PI potenciais, as partes interessadas devem abordar a convergência de alta tecnologia/biotecnologia de forma holística. Ou seja, os gestores de PI devem considerar todas as implementações potenciais do ativo integrado de ML/biotecnologia, a fim de construir e cobrir os objetivos técnicos subjacentes às concretizações comerciais. Embora os inventores possam se concentrar em qualquer incorporação específica, os gestores de portfólio de PI devem analisar os ativos de uma perspectiva mais ampla. Embora isso possa ser verdade em todo o espectro técnico, a visão holística se torna particularmente importante na fronteira de novas tecnologias que envolvem componentes de alta tecnologia e biotecnologia.

Os processos de desenvolvimento de produtos podem capturar insights importantes sobre PI logo no início, com perguntas direcionadas sobre a própria tecnologia. Considere se há várias entradas de dados potenciais que poderiam gerar uma métrica de saída útil. Por exemplo, uma métrica específica para uma doença poderia ser avaliada com base na presença de marcadores genéticos específicos ou pelo acúmulo de proteínas mal dobradas. Geralmente, todos os conjuntos de dados capazes de gerar uma métrica objetiva quando integrados ao modelo de aprendizado de máquina podem ser a base para uma PI valiosa.

Processos e modelos para analisar dados potencialmente exclusivos também podem gerar propriedade intelectual forte. Se um ativo depende de um processo para obter dados exclusivos que permitem treinar um modelo com mais rapidez e precisão, concentrar várias patentes na geração e gestão dos dados pode proteger contra um concorrente que obtenha acesso a dados semelhantes no futuro.

Navegar pelas proibições de patenteamento de ideias abstratas sob a estrutura Alice pode ser fundamental quando a plataforma se baseia em melhorias nos próprios modelos de ML/IA. Os tribunais têm interpretado consistentemente a Alice como favorável a reivindicações focadas em melhorias em conceitos tangíveis e desfavorável a reivindicações direcionadas exclusivamente a algoritmos. As empresas devem concentrar-se na forma como a tecnologia recolhe ou integra os dados brutos, bem como nos novos elementos físicos que resultam em melhorias técnicas em qualquer processo ou produto. Isto deve ir além das concretizações comerciais preferidas que serão abrangidas pelas suas reivindicações.

Construindo um portfólio de patentes para biotecnologia impulsionada por IA que maximiza a vantagem competitiva

O facto de uma empresa se concentrar principalmente nos componentes de IA ou nos componentes de biotecnologia pode informar a sua direção estratégica para a criação de ativos de patentes impactantes. Por exemplo, muitas empresas farmacêuticas concentram os seus ativos de propriedade intelectual nos produtos e métodos resultantes da utilização de um modelo de IA/ML, enquanto, em contrapartida, muitas startups de biotecnologia baseiam a sua plataforma de negócios em modelos específicos de ML e nos dados que impulsionam esses modelos, em vez de em qualquer resultado específico. Além disso, as empresas interessadas na descoberta de medicamentos ou novas terapêuticas podem utilizar os seus ativos de ML ou IA como uma ferramenta analítica para converter dados brutos em métricas úteis para doenças ou novos candidatos a medicamentos. Neste caso, pode haver vários modelos de aprendizagem automática capazes de produzir métricas úteis para fins terapêuticos ou de diagnóstico com base nos dados brutos.

Cada uma destas orientações estratégicas pode exigir análises técnicas e jurídicas distintas:

• Quando os dados de saída fornecem uma métrica útil – por exemplo, a probabilidade de sucesso do tratamento ou novos candidatos a medicamentos –, as empresas podem querer dedicar recursos para proteger os resultados específicos obtidos com a solução de IA, em vez da solução de IA em si.
• Quando o foco do negócio está no resultado específico gerado, fornecer o maior número possível de modelos e exemplos em um pedido de patente pode maximizar o valor.
• Quando a solução de IA pode ser aplicada a uma ampla gama de ações e insights, o foco da PI deve estar no modelo e na entrada de dados. Exemplos podem incluir sistemas avançados de ML capazes de analisar e encontrar padrões em genes ou biomarcadores que indicam a presença de uma doença e/ou a probabilidade de sucesso do tratamento.

Em última análise, a direção estratégica e os processos de P&D para o desenvolvimento de PI de alto valor e impacto para a biotecnologia impulsionada pela IA podem ser informados pelo posicionamento da empresa no mercado e pelas características específicas dos produtos e serviços da empresa na conexão entre IA e biotecnologia.

Série IA nos cuidados de saúde

Para mais reflexões sobre como a inteligência artificial mudará o mundo da saúde, clique aquipara ler os outros artigos da nossa série.