AI Drug Discovery: Wie es das Spiel verändert

Veröffentlicht: 2023-01-31

Die KI-Arzneimittelentdeckung explodiert.

Übertrieben oder nicht, die Investitionen in die KI-Arzneimittelforschung stiegen von 450 Millionen US-Dollar im Jahr 2014 auf satte 58 Milliarden US-Dollar im Jahr 2021. Alle Pharmagiganten, darunter Bayer, AstraZeneca, Takeda, Sanofi, Merck und Pfizer, haben ihre Ausgaben in der Hoffnung erhöht, etwas zu schaffen KI-Lösungen des neuen Zeitalters, die Kosteneffizienz, Geschwindigkeit und Präzision in den Arzneimittelforschungsprozess bringen.

Die Entdeckung traditioneller Medikamente war lange Zeit notorisch schwierig. Es dauert mindestens 10 Jahre und kann 1,3 Milliarden US-Dollar kosten, um ein neues Medikament auf den Markt zu bringen. Und das ist nur bei Medikamenten der Fall, die in klinischen Studien erfolgreich sind (nur einer von zehn). Daher das Interesse, neue Wege zur Entdeckung und Entwicklung von Arzneimitteln zu finden.

KI hat bereits dazu beigetragen, vielversprechende Therapeutikakandidaten zu identifizieren, und es hat nicht Jahre gedauert, sondern nur Monate – und in einigen Fällen nur Tage. In diesem Artikel werden wir untersuchen, wie die KI-Arzneimittelforschung die Branche verändert. Wir werden Erfolgsgeschichten und die Vorteile von KI sowie ihre Grenzen betrachten. Lass uns gehen.

Wie Drogen entdeckt werden

Der Prozess der Arzneimittelentdeckung beginnt in der Regel damit, dass Wissenschaftler ein Ziel im Körper identifizieren, z. B. ein bestimmtes Protein oder Hormon, das an der Entstehung einer Krankheit beteiligt ist. Sie verwenden dann verschiedene Methoden, um eine mögliche Behandlung zu finden, die die folgenden Methoden umfasst.

Screening vorhandener Verbindungen: Wissenschaftler können Bibliotheken von Verbindungen (Naturstoffe oder Chemikalien) durchsuchen, die sie bereits hergestellt haben, um zu überprüfen, ob eine von ihnen die gewünschte Wechselwirkung mit dem Ziel hat.
De-novo-Arzneimitteldesign: Wissenschaftler können mithilfe von Computermodellen und -simulationen neuartige chemische Verbindungen entwickeln, die diese Aufgabe erfüllen können. Dieser Ansatz wird verwendet, um niedermolekulare Arzneimittel herzustellen, bei denen es sich um chemisch synthetisierte Verbindungen mit einer Größe von weniger als 1.500 Dalton handelt.
Biologika: Forscher können auch biologische Moleküle wie Antikörper, Enzyme oder Proteine erzeugen, die als Arzneimittel wirken. Dabei werden Moleküle aus lebenden Organismen isoliert oder synthetisiert, die mit dem Ziel interagieren können. Verglichen mit kleinen Molekülen sind solche Moleküle typischerweise größer und komplexer.
Repurposing: Wissenschaftler können sich Verbindungen ansehen, die für andere Zwecke entwickelt wurden, und prüfen, ob sie therapeutisches Potenzial für die betreffende Krankheit haben.

Sobald ein potenzieller Arzneimittelkandidat (als Leitsubstanz bezeichnet) gefunden ist, wird er in Zellen oder Tieren getestet, bevor er zu klinischen Studien übergeht, die drei Phasen umfassen, beginnend mit kleinen Gruppen gesunder Freiwilliger und dann mit größeren Gruppen von Patienten, die an leiden der konkrete Zustand.

Wie KI angewendet wird

KI umfasst verschiedene Technologien und Ansätze, bei denen ausgefeilte Computermethoden verwendet werden, um Elemente der menschlichen Intelligenz wie visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und Sprachverständnis nachzuahmen.

KI begann in den 1950er Jahren als eine einfache Abfolge von „Wenn-dann-Regeln“ und hielt zwei Jahrzehnte später Einzug ins Gesundheitswesen, nachdem komplexere Algorithmen entwickelt worden waren. Seit dem Aufkommen von Deep Learning in den 2000er Jahren haben sich die KI-Anwendungen im Gesundheitswesen ausgeweitet. Einige KI-Technologien ermöglichen das Arzneimitteldesign.

Maschinelles Lernen

Maschinelles Lernen (ML) konzentriert sich auf das Training von Computeralgorithmen, um aus Daten zu lernen und ihre Leistung zu verbessern, ohne explizit dafür programmiert zu werden.

ML-Lösungen umfassen eine Vielzahl von Branchen, jede mit ihren eigenen einzigartigen Merkmalen und Methoden. Diese Zweige umfassen überwachtes und nicht überwachtes Lernen sowie bestärkendes Lernen, und innerhalb jedes Zweigs gibt es verschiedene algorithmische Techniken, die verwendet werden, um bestimmte Ziele zu erreichen, wie z. B. lineare Regression, neuronale Netze und Support-Vektor-Maschinen. ML hat viele verschiedene Anwendungsgebiete, von denen eines im Bereich der KI-Arzneimittelforschung liegt, wo es Folgendes ermöglicht:

Virtuelles Screening von Verbindungen zur Identifizierung potenzieller Arzneimittelkandidaten
Prädiktive Modellierung der Wirksamkeit und Toxizität von Arzneimitteln
Identifizierung neuer Targets für die Arzneimittelentwicklung
Analyse umfangreicher genomischer und proteomischer Daten, die von lebenden Organismen gesammelt wurden (z. B. DNA-Sequenzen, Genexpressionsniveaus, Proteinstrukturen)
Optimierung der Medikamentendosierung und Behandlungsschemata
Prädiktive Modellierung von Patientenreaktionen auf die Behandlung

Tiefes Lernen

Deep Learning (DL) ist eine Teilmenge von ML, die auf der Verwendung künstlicher neuronaler Netze (KNNs) basiert. ANNs bestehen aus miteinander verbundenen Knoten oder „Neuronen“, die durch Pfade verbunden sind, die als „Synapsen“ bezeichnet werden. Wie im menschlichen Gehirn arbeiten diese Neuronen zusammen, um Informationen zu verarbeiten und Vorhersagen oder Entscheidungen zu treffen. Je mehr Schichten miteinander verbundener Neuronen ein neuronales Netzwerk hat, desto „tiefer“ ist es.

Im Gegensatz zu überwachten und halbüberwachten Lernalgorithmen, die Muster nur in strukturierten Daten erkennen können, sind DL-Modelle in der Lage, große Mengen unstrukturierter Daten zu verarbeiten und fortgeschrittenere Vorhersagen mit geringer menschlicher Überwachung zu treffen.

In der KI-Arzneimittelforschung wird DL verwendet für:

verbessertes virtuelles Screening von Verbindungsbibliotheken zur Identifizierung von Treffern mit einer höheren Wahrscheinlichkeit, an ein Ziel zu binden
bildbasiertes Profiling zum Verständnis krankheitsassoziierter Phänotypen, Krankheitsmechanismen oder der Toxizität eines Medikaments
Genauere Vorhersagen darüber, wie ein Medikament absorbiert, verteilt, metabolisiert und aus dem Körper ausgeschieden wird (pharmakokinetische Eigenschaften)
Vorhersage von Arzneimittel-Ziel-Wechselwirkungen und Bindungsaffinität
Vorhersage der Struktur von Proteinen, die für die meisten derzeit identifizierten Arzneimittelziele verantwortlich sind
Generierung neuartiger wirkstoffähnlicher Verbindungen mit den gewünschten physikalischen, chemischen und bioaktiven Eigenschaften
Automatisierung von klinischen Studienprozessen und Protokolldesign.

Verarbeitung natürlicher Sprache

Die Verarbeitung natürlicher Sprache (NLP) stützt sich auf eine Kombination von Techniken aus Linguistik, Mathematik und Informatik, einschließlich DL-Modellen, um menschliche Sprache zu analysieren, zu verstehen und zu generieren. Die KI-Arzneimittelforschung verwendet häufig NLP, um Informationen aus strukturierten und unstrukturierten Daten zu extrahieren, um Folgendes zu erreichen:

Text-Mining von wissenschaftlicher Literatur zur Identifizierung von Zusammenhängen zwischen Chemikalien/Arzneimitteln, ihren Zielen und neuartigen krankheitsbezogenen Signalwegen
Extrahieren strukturierter Informationen aus unstrukturierten elektronischen Patientenakten (EHRs), wie z. B. demografische Patientendaten, Diagnosen und Medikamente
Identifizierung unerwünschter Arzneimittelereignisse durch Analyse von Textdaten aus sozialen Medien, Nachrichtenartikeln und anderen Quellen
Bestimmung der Zulassungskriterien für klinische Studien auf der Grundlage von Protokollen und Zuordnung von Patienten zu Studien
Arzneimittelinformationen zusammenfassen

Warum AI Drug Discovery jetzt in aller Munde ist

In den letzten Jahren haben Unternehmen im gesamten Pharmasektor Schritte unternommen, um KI in ihre Forschungsmethoden zu integrieren. Dazu gehören der Aufbau interner KI-Teams, die Einstellung von KI-Gesundheitsexperten und Datenanalysten, die Unterstützung von Startups mit KI-Fokus und die Zusammenarbeit mit Technologieunternehmen oder Forschungszentren. Eine Kombination von Faktoren treibt diesen Trend voran.

Die zunehmende Leistungsfähigkeit von Computern und neue KI-Entwicklungen

Jüngste technische Fortschritte haben den traditionellen Fokus der KI-Arzneimittelforschung verlagert.

Da sich die Mehrheit der Unternehmen in der Branche (rund 150 im Jahr 2022 laut BiopharmaTrend AI Report) weiterhin auf das Design kleiner Moleküle konzentriert, die sich rechnerisch leicht darstellen und in großem Maßstab vergleichen lassen, wächst auch das Interesse an neuen Anwendungen der KI in der Arzneimittelforschung.

Viele Unternehmen – 77 von ihnen – beginnen, KI für die Entwicklung von Biologika einzusetzen, und 55 von ihnen entdecken Biomarker, die das Vorhandensein oder Fortschreiten einer Krankheit anzeigen. Andere konzentrieren sich auf den Aufbau allumfassender KI-Plattformen zur Wirkstoffforschung, die Identifizierung neuer Ziele oder die Erstellung von Ontologien – strukturierte Darstellungen von Beziehungen zwischen verschiedenen Einheiten, wie z. B. chemischen Verbindungen, Proteinen und Krankheiten.

Erweiterung des Zugriffs auf KI-Tools

Da der Mangel an KI-Talenten nicht nachlässt, sind die Eintrittsbarrieren für die KI-Arzneimittelforschung tatsächlich gesunken. Technologieanbieter und Pharmagiganten veröffentlichen immer ausgefeiltere KI-Plattformen, darunter gebrauchsfertige No-Code- und Drag-and-Drop-Systeme, die es Nicht-KI-Experten ermöglichen, künstliche Intelligenz in ihre Forschung zu integrieren. Diese Entwicklungen spielen eine wichtige Rolle bei der beschleunigten Einführung von KI in der Industrie.

KI-fähige Erfolgsgeschichten

KI-Arzneimittelforschungsprojekte, die in Wissenschaft und Industrie durchgeführt werden, haben bereits erste erfolgreiche Ergebnisse über die gesamte Wertschöpfungskette der Arzneimittelforschung hervorgebracht. Beispiele hierfür sind:

DeepMind hat das KI-System AlphaFold entwickelt, das die 3D-Struktur eines Proteins aus seiner eindimensionalen Aminosäuresequenz in Sekunden vorhersagen kann, anstatt in den Monaten oder Jahren, die es normalerweise dauern würde. Das System wurde verwendet, um über 200 Millionen Proteinstrukturen vorherzusagen, die zu Tieren, Pflanzen, Bakterien, Pilzen und anderen Organismen gehören.
Forscher der University of Washington haben ein Deep-Learning-Modell entwickelt, das Gaming-Computer verwendet, um Proteinstrukturen innerhalb von 10 Minuten zu berechnen.
Deep Genomics hat mithilfe von KI-Technologien mehr als 2.400 Krankheiten und 100.000 Mutationen untersucht, um den genauen krankheitsverursachenden Mechanismus bei einer Mutation der Wilson-Krankheit vorherzusagen und in 18 Monaten ein DG12P1-Medikament zu entwickeln.
Aladdin hat eine proprietäre KI-Arzneimittelforschungsplattform für den kommerziellen Einsatz in virtuellem Screening, Hit-to-Lead, Lead-Optimierung und der präklinischen Phase veröffentlicht. Diese Plattform half Aladdin dabei, eine Reihe von Wirkstoffen für die potenzielle Behandlung altersbedingter Krankheiten zu identifizieren.
IBM hat das Watson-System mit Cognitive-Computing-Fähigkeiten entwickelt, das von der pharmazeutischen Industrie verwendet wird, um Patienten geeigneten klinischen Studien für ihren Zustand zuzuordnen. In einer klinischen Studie zu Brustkrebs zeigte die Plattform einen Anstieg der Einschreibungen um 80 % und eine Verkürzung der Studienanpassungszeit.
Es hat weniger als drei Monate gedauert, bis AbCellera einen monoklonalen Antikörper zur Neutralisierung viraler Varianten von COVID-19 entwickelt und die Zulassung der US-amerikanischen Food and Drug Administration (FDA) erhalten hat.
In mehreren Tagen kombinierte BenevolentAI seinen Knowledge Graph mit KI-Tools, um Baricitinib als potenzielle COVID-19-Behandlung aufzudecken.
BioXcel Therapeutics hat die Entdeckung von Dexmedetomidin als Beruhigungsmittel für Patienten mit Schizophrenie und bipolaren Störungen beschleunigt. Das Unternehmen erhielt die FDA-Zulassung für seinen proprietären sublingualen Dexmedetomidin-Film (IgalmiTM) in weniger als vier Jahren nach seinen ersten Studien am Menschen.
Mithilfe von KI hat Exscientia drei kleine Moleküle entwickelt, die über einen Zeitraum von zwei Jahren in klinische Studien gehen sollen. Die Moleküle sind für die Behandlung von Alzheimer-Psychose, Zwangsstörungen und Immunonkologie vorgesehen.
Anfang 2023 meldete Insilico positive Topline-Ergebnisse in einer klinischen Phase-1-Studie mit dem ersten von KI entwickelten neuartigen Molekül für ein von KI entdecktes neuartiges Ziel zur Behandlung von idiopathischer Lungenfibrose (IPF).
Im Jahr 2021 erreichten 13 von KI abgeleitete Biologika das klinische Stadium, wobei ihre Therapiebereiche COVID-19, Onkologie und Neurologie umfassen.

Vorteile und Herausforderungen in der KI-Arzneimittelforschung

KI ist ein mächtiges Werkzeug, das verspricht, die pharmazeutische Industrie zu revolutionieren. Mit ihrer Fähigkeit, riesige Datenmengen zu analysieren und Vorhersagen zu treffen, kann künstliche Intelligenz Forschern helfen, die Hindernisse zu überwinden, die den Prozess der Arzneimittelforschung lange behindert haben, indem sie Folgendes ermöglicht:

kürzere Zeitpläne für Entdeckungs- und präklinische Phasen
genauere Vorhersagen über die Wirksamkeit und Sicherheit von Arzneimitteln
neue, unerwartete Erkenntnisse über Arzneimittelwirkungen und Krankheiten
neue Forschungslinien und neue F&E-Strategien
Kosteneinsparungen durch schnellere Analyse und Automatisierung.

Laut Insider Intelligence kann die Pharmaindustrie durch KI bis zu 70 % der Kosten für die Arzneimittelentdeckung einsparen. Das Potenzial der KI in der Wirkstoffforschung ist wirklich aufregend, aber es gibt ein paar Hindernisse, die zuerst angegangen werden müssen, um es voll auszuschöpfen.

Daten

Bei KI geht es immer um Eingabedaten. Datensilos und Legacy-Systeme, die ihre Konsolidierung nicht zulassen, sind große Hürden für die KI-Forschung in allen Bereichen. In der pharmazeutischen Industrie kann das Problem noch ausgeprägter sein.

Pharmaunternehmen waren traditionell schlecht darin, Daten auszutauschen, seien es Ergebnisse aus klinischen Studien oder nicht identifizierte Patienteninformationen, während die Datenbestände, die sie haben, Antworten auf Fragen liefern können, die ursprüngliche Forscher nie in Betracht gezogen haben.

Wenn es letztendlich darum geht, Daten auszutauschen, sind diese oft unvollständig, widersprüchlich oder voreingenommen, wie dies bei Datensätzen der Fall ist, die zur Vorhersage von Protein-Ligand-Bindungsaffinitäten verwendet werden, die für die Arzneimittelforschung von entscheidender Bedeutung sind. In einigen Fällen spiegeln die Daten möglicherweise nicht einmal ganze Populationen wider, und KI-Modelle können in realen Szenarien nicht ausreichen.

Komplexität

Die schiere Komplexität biologischer Systeme erschwert KI-gestützte Analysen und Vorhersagen von zeitlichen und räumlichen Änderungen im Verhalten solcher Systeme.

Es gibt eine große Anzahl komplexer und dynamischer Wechselwirkungen innerhalb biologischer Systeme, bei denen jedes Element wie Proteine, Gene und Zellen mehrere Funktionen haben und von mehreren Faktoren beeinflusst werden können, einschließlich genetischer Variationen, Umweltbedingungen und Krankheitszuständen.

Wechselwirkungen zwischen verschiedenen Elementen können auch nichtlinear sein, was bedeutet, dass kleine Änderungen in einem Element zu großen Änderungen im Gesamtsystem führen können. Beispielsweise kann ein einzelnes Gen, das die Zellteilung steuert, einen großen Einfluss auf das Wachstum eines Tumors haben, oder Wechselwirkungen zwischen mehreren Proteinen können zur Entwicklung hochspezifischer und komplexer Strukturen führen, wie beispielsweise dem Zytoskelett einer Zelle.

Eine weitere Herausforderung ist der Mangel an qualifiziertem Personal für den Umgang mit KI-Tools zur Wirkstoffforschung.

Interpretierbarkeit

Der Einsatz neuronaler Netze in der KI-Arzneimittelforschung hat die Grenzen des Möglichen verschoben, aber der Mangel an ihrer Interpretierbarkeit stellt eine erhebliche Herausforderung dar. Solche KI-Modelle, die als Black Boxes bezeichnet werden, könnten die genauesten Vorhersagen liefern, aber selbst Ingenieure können die Gründe dafür nicht erklären. Dies ist eine besondere Herausforderung beim Deep Learning, wo die Komplexität des Verständnisses der Ausgabe jeder Schicht mit zunehmender Anzahl von Schichten eskaliert.

Dieser Mangel an Transparenz kann zu fehlerhaften Lösungen führen und das Vertrauen in KI bei Forschern, Medizinern und Aufsichtsbehörden verringern. Um dieser Herausforderung zu begegnen, besteht ein wachsender Bedarf an der Entwicklung einer erklärbaren, vertrauenswürdigen KI.

Einpacken

Es entstehen weiterhin neue Medikamente, die das Spiel für Patienten verändern.

Nur 15 Jahre nachdem HIV in den 1980er Jahren als Ursache von AIDS identifiziert wurde, hat die pharmazeutische Industrie eine Multidrug-Therapie entwickelt, die es den vom Virus betroffenen Menschen ermöglicht, ein normales Leben zu führen. Gleevec von Novartis verlängert das Leben von Leukämiepatienten. Incivek von Vertex Pharmaceuticals hat die Heilungsraten von Hepatitis C verdoppelt. Keytruda von Merck reduziert bei Melanompatienten nach einer Operation das Risiko, dass der Krebs erneut auftritt, um 35 %.

Aber nicht alle neuen Medikamente sind gleich. Eine kürzlich in Deutschland durchgeführte Analyse von über 200 neuen Arzneimitteln hat ergeben, dass nur 25 % signifikante Vorteile gegenüber bestehenden Behandlungen bieten. Die verbleibenden Medikamente zeigten entweder nur minimalen oder keinen Nutzen, oder ihre Wirkung war ungewiss.

Angesichts der kostspieligen und zeitaufwändigen Art der Arzneimittelforschung ist klar, dass die pharmazeutische Industrie große Veränderungen braucht. Und hier könnte die KI-Arzneimittelforschung eine Rolle spielen. Es besteht jede Chance, dass KI transformative Beiträge leisten könnte, die über die Beschleunigung der Time-to-Clinic-Raten hinausgehen.

Denken Sie über Ihr eigenes KI-Arzneimittelforschungsprojekt nach? Melde dich. Mit jahrelanger Erfahrung in der Entwicklung von KI-Lösungen für das Gesundheitswesen sind wir der Partner, den Sie brauchen.

Ursprünglich am 27. Januar 2023 unter https://itrexgroup.com veröffentlicht.