AI Drug Discovery: Cum schimbă jocul

Publicat: 2023-01-31

Descoperirea medicamentelor AI explodează.

Exagerate sau nu, investițiile în descoperirea de medicamente AI au crescut de la 450 de milioane de dolari în 2014 la 58 de miliarde de dolari în 2021. Toți giganții farmaceutici, inclusiv Bayer, AstraZeneca, Takeda, Sanofi, Merck și Pfizer, și-au mărit cheltuielile în speranța de a crea soluții de IA nou-age care vor aduce eficiență a costurilor, viteză și precizie procesului de descoperire a medicamentelor.

Descoperirea medicamentelor tradiționale a fost mult timp notoriu de dificilă. Este nevoie de cel puțin 10 ani și poate costa 1,3 miliarde de dolari pentru a aduce un nou medicament pe piață. Și acesta este cazul doar pentru medicamentele care reușesc în studiile clinice (doar unul din zece reușește). De aici, interesul de a găsi noi modalități de a descoperi și proiecta medicamente.

Inteligența artificială a ajutat deja la identificarea unor terapii candidate promițătoare și nu a durat ani, ci doar luni – și, în unele cazuri, doar câteva zile. În acest articol, vom explora modul în care descoperirea medicamentelor AI schimbă industria. Vom analiza poveștile de succes și beneficiile AI, precum și limitările acesteia. Sa mergem.

Cum sunt descoperite drogurile

Procesul de descoperire a medicamentelor începe de obicei cu oamenii de știință care identifică o țintă în organism, cum ar fi o proteină sau un hormon specific, care este implicat în dezvoltarea unei boli. Apoi folosesc diferite metode pentru a găsi un posibil tratament, care include următoarele metode.

  1. Verificarea compușilor existenți: Oamenii de știință pot verifica biblioteci de compuși (produse naturale sau substanțe chimice) pe care i-au fabricat deja pentru a verifica dacă vreunul dintre ei are interacțiunea dorită cu ținta.
  2. Design de novo de medicamente: oamenii de știință pot folosi modelarea și simularea pe computer pentru a dezvolta noi compuși chimici care pot face treaba. Această abordare este folosită pentru a crea medicamente cu molecule mici, care sunt compuși sintetizați chimic care au o dimensiune mai mică de 1.500 de daltoni.
  3. Produse biologice: Cercetătorii pot genera, de asemenea, molecule biologice, cum ar fi anticorpi, enzime sau proteine, pentru a acționa ca medicamente. Aceasta implică izolarea sau sintetizarea moleculelor din organismele vii care pot interacționa cu ținta. În comparație cu moleculele mici, astfel de molecule sunt de obicei mai mari și mai complexe.
  4. Reutilizare: oamenii de știință pot arunca o privire asupra compușilor care au fost dezvoltați în alte scopuri și pot vedea dacă au potențial terapeutic pentru boala în cauză.

Odată ce este găsit un potențial candidat la medicament (numit compus plumb), acesta este testat pe celule sau animale, înainte de a trece la studii clinice care includ trei faze, începând cu grupuri mici de voluntari sănătoși și apoi trecând la grupuri mai mari de pacienți care suferă de starea specifica.

Cum se aplică IA

AI acoperă diverse tehnologii și abordări care implică utilizarea unor metode de calcul sofisticate pentru a imita elemente ale inteligenței umane, cum ar fi percepția vizuală, recunoașterea vorbirii, luarea deciziilor și înțelegerea limbajului.

Inteligența artificială a început în anii 1950 ca o serie simplă de „dacă, atunci reguli” și și-a făcut loc în asistența medicală două decenii mai târziu, după ce au fost dezvoltați algoritmi mai complexi. De la apariția învățării profunde în anii 2000, aplicațiile AI în domeniul sănătății s-au extins. Câteva tehnologii AI împuternicesc proiectarea medicamentelor.

Învățare automată

Învățarea automată (ML) se concentrează pe antrenarea algoritmilor de computer pentru a învăța din date și a le îmbunătăți performanța, fără a fi programați în mod explicit pentru a face acest lucru.

Soluțiile ML cuprind o gamă diversă de ramuri, fiecare cu propriile caracteristici și metodologii unice. Aceste ramuri includ învățarea supravegheată și nesupravegheată, precum și învățarea prin întărire, iar în cadrul fiecărei ramuri există diverse tehnici algoritmice care sunt utilizate pentru atingerea unor obiective specifice, cum ar fi regresia liniară, rețelele neuronale și mașinile vectoriale suport. ML are multe domenii de aplicare diferite, dintre care una este în domeniul descoperirii medicamentelor AI, unde permite următoarele:

  • Screening virtual al compușilor pentru a identifica potențialii candidați la medicamente
  • Modelarea predictivă a eficacității și toxicității medicamentelor
  • Identificarea de noi ținte pentru dezvoltarea medicamentelor
  • Analiza datelor genomice și proteomice la scară largă colectate de la organisme vii (de exemplu, secvențe ADN, niveluri de expresie a genelor, structuri proteice)
  • Optimizarea dozării medicamentului și a regimurilor de tratament
  • Modelarea predictivă a răspunsurilor pacientului la tratament

Invatare profunda

Deep Learning (DL) este un subset de ML bazat pe utilizarea rețelelor neuronale artificiale (ANN). ANN-urile sunt formate din noduri interconectate, sau „neuroni”, care sunt conectați prin căi, numite „sinapse”. Ca și în creierul uman, acești neuroni lucrează împreună pentru a procesa informații și pentru a face predicții sau decizii. Cu cât o rețea neuronală are mai multe straturi de neuroni interconectați, cu atât este mai „profundă”.

Spre deosebire de algoritmii de învățare supervizată și semi-supravegheată care pot identifica modele numai în datele structurate, modelele DL sunt capabile să proceseze volume mari de date nestructurate și pot face predicții mai avansate cu puțină supraveghere de la oameni.

În descoperirea medicamentelor AI, DL este utilizat pentru:

  • screening virtual îmbunătățit al bibliotecilor compuse pentru a identifica accesările cu o probabilitate mai mare de a se lega la o țintă
  • profilare bazată pe imagini pentru a înțelege fenotipurile asociate bolii, mecanismele bolii sau toxicitatea unui medicament
  • Predicții mai precise asupra modului în care un medicament va fi absorbit, distribuit, metabolizat și excretat din organism (proprietăți farmacocinetice)
  • predicția interacțiunilor medicament-țintă și a afinității de legare
  • predicția structurii proteinelor care reprezintă majoritatea țintelor medicamentoase identificate în prezent
  • generarea de noi compuși asemănătoare medicamentelor cu proprietățile fizice, chimice și de bioactivitate dorite
  • Automatizarea proceselor de studii clinice și proiectarea protocolului.

Procesarea limbajului natural

Procesarea limbajului natural (NLP) se bazează pe o combinație de tehnici din lingvistică, matematică și științe informatice, inclusiv modele DL, pentru a analiza, înțelege și genera limbajul uman. Cercetarea de descoperire a medicamentelor AI utilizează adesea NLP pentru a extrage informații atât din date structurate, cât și din date nestructurate, pentru a realiza următoarele:

  1. Extragerea de texte a literaturii științifice pentru a identifica asocierile dintre entitățile chimice/medicamentale, țintele acestora și căile noi legate de boli
  2. Extragerea de informații structurate din dosarele de sănătate electronice nestructurate (EHR), cum ar fi datele demografice ale pacienților, diagnostice și medicamente
  3. Identificarea evenimentelor adverse ale medicamentelor prin analiza datelor text din rețelele sociale, articole de știri și alte surse
  4. Determinarea criteriilor de eligibilitate pentru studiile clinice pe baza protocoalelor și potrivirea pacienților cu studiile
  5. Rezumatul informațiilor despre medicamente

De ce descoperirea drogurilor cu inteligență artificială este acum de vorbă în oraș

În ultimii doi ani, companiile din sectorul farmaceutic au luat măsuri pentru a încorpora AI în metodele lor de cercetare. Aceasta include construirea de echipe interne de inteligență artificială, angajarea de profesioniști din domeniul sănătății și analiști de date în inteligență artificială, sprijinirea startup-urilor cu accent pe inteligență artificială și colaborarea cu firme de tehnologie sau centre de cercetare. O combinație de factori conduce această tendință.

Puterea în creștere a computerelor și noile dezvoltări ale inteligenței artificiale

Progresele tehnologice recente au schimbat focalizarea tradițională a cercetării de descoperire a medicamentelor AI.

Deoarece majoritatea companiilor din sector (aproximativ 150 în 2022 conform Raportului BiopharmaTrend AI) continuă să se concentreze pe proiectarea de molecule mici, care sunt ușor de reprezentat computațional și de comparat la scară, există, de asemenea, un interes din ce în ce mai mare pentru noile aplicații ale AI. în descoperirea medicamentelor.

Multe companii – 77 dintre ele – încep să îmbrățișeze AI pentru proiectarea produselor biologice, iar 55 dintre ele descoperă biomarkeri care indică prezența sau progresia unei boli. Alții se concentrează pe construirea de platforme de descoperire a medicamentelor cu inteligență artificială atotcuprinzătoare, identificarea de noi ținte sau crearea de ontologii - reprezentări structurate ale relațiilor dintre diferite entități, cum ar fi compușii chimici, proteinele și bolile.

Extinderea accesului la instrumentele AI

Întrucât lipsa de talent AI nu arată niciun semn de diminuare, barierele de intrare în calea descoperirii medicamentelor AI s-au redus de fapt. Furnizorii de tehnologie și giganții farmaceutici lansează platforme AI din ce în ce mai sofisticate, inclusiv sisteme fără cod și drag-and-drop gata de utilizat, care le permit experților non-AI să integreze inteligența artificială în cercetarea lor. Aceste evoluții joacă un rol major în adoptarea accelerată a AI de către industrie.

Povești de succes cu AI

Proiectele de descoperire a medicamentelor AI desfășurate în mediul academic și în industrie au produs deja primele rezultate de succes de-a lungul lanțului valoric al descoperirii de medicamente. Exemplele includ următoarele:

  • DeepMind a construit sistemul AI AlphaFold, care poate prezice structura 3D a unei proteine ​​din secvența sa unidimensională de aminoacizi în câteva secunde, mai degrabă decât în ​​lunile sau anii necesari în mod normal. Sistemul a fost folosit pentru a prezice peste 200 de milioane de structuri de proteine ​​aparținând animalelor, plantelor, bacteriilor, ciupercilor și altor organisme.
  • Cercetătorii de la Universitatea din Washington au dezvoltat un model de învățare profundă care utilizează computere de jocuri pentru a calcula structurile proteinelor în decurs de 10 minute.
  • Deep Genomics a folosit tehnologii de inteligență artificială pentru a examina mai mult de 2.400 de boli și 100.000 de mutații pentru a prezice mecanismul exact care cauzează boala într-o mutație a bolii Wilson și pentru a crea un medicament DG12P1 în 18 luni.
  • Aladdin a lansat o platformă proprie de descoperire a medicamentelor cu inteligență artificială pentru uz comercial în screening virtual, hit-to-lead, optimizare a clienților potențiali și faza preclinică. Această platformă l-a ajutat pe Aladdin să identifice o serie de compuși de medicamente pentru tratamentul potențial al bolilor legate de vârstă.
  • IBM a dezvoltat sistemul Watson cu capabilități de calcul cognitive care sunt utilizate de industria farmaceutică pentru potrivirea pacienților cu studiile clinice adecvate pentru starea lor. Într-un studiu clinic pentru cancerul de sân, platforma a demonstrat o creștere cu 80% a înscrierii și o reducere a timpului de potrivire a studiului.
  • A durat mai puțin de trei luni pentru ca AbCellera să dezvolte un anticorp monoclonal pentru neutralizarea variantelor virale ale COVID-19 și să obțină aprobarea de la Administrația SUA pentru Alimente și Medicamente (FDA).
  • În câteva zile, BenevolentAI și-a combinat graficul de cunoștințe cu instrumente AI pentru a descoperi baricitinib ca un potențial tratament pentru COVID-19.
  • BioXcel Therapeutics a accelerat descoperirea dexmedetomidinei ca sedativ pentru pacienții cu schizofrenie și tulburări bipolare. Compania a obținut aprobarea FDA pentru filmul său sublingual de dexmedetomidină (IgalmiTM) în mai puțin de patru ani de la primele sale studii la om.
  • Folosind AI, Exscientia a proiectat trei molecule mici pentru a intra în studii clinice pe o perioadă de doi ani. Moleculele sunt destinate tratamentului psihozei bolii Alzheimer, tulburării obsesiv-compulsive și imuno-oncologiei.
  • La începutul anului 2023, Insilico a raportat rezultate pozitive într-un studiu clinic de fază 1 al primei molecule noi concepute de AI pentru o nouă țintă descoperită de AI pentru a trata fibroza pulmonară idiopatică (IPF).
  • În 2021, 13 medicamente biologice derivate din IA au ajuns în stadiul clinic, cu domeniile lor de terapie inclusiv COVID-19, oncologie și neurologie.

Beneficii și provocări în descoperirea medicamentelor AI

AI este un instrument puternic care deține promisiunea de a revoluționa industria farmaceutică. Cu capacitatea sa de a analiza cantități mari de date și de a face predicții, inteligența artificială îi poate ajuta pe cercetători să depășească obstacolele care au împiedicat mult timp procesul de descoperire a medicamentelor, permițând:

  • termene reduse pentru descoperire și etapele preclinice
  • predicții mai precise privind eficacitatea și siguranța medicamentelor
  • perspective noi, neprevăzute asupra efectelor medicamentelor și bolilor
  • noi linii de cercetare și noi strategii de cercetare și dezvoltare
  • economii de costuri prin analize și automatizări mai rapide.

Potrivit Insider Intelligence, AI poate economisi industria farmaceutică cu până la 70% din costurile de descoperire a medicamentelor. Potențialul AI în descoperirea medicamentelor este cu adevărat interesant, dar există câteva obstacole care trebuie abordate mai întâi pentru a-l exploata la maximum.

Date

Când vine vorba de AI, totul se reduce întotdeauna la datele de intrare. Silozurile de date și sistemele moștenite care nu vor permite consolidarea lor sunt obstacole mari în calea cercetării AI în orice domeniu. În industria farmaceutică, problema poate fi și mai pronunțată.

Companiile farmaceutice au fost în mod tradițional proaste în a face schimb de date, fie că acestea sunt rezultate din studii clinice sau informații de-identificate pe pacienți, în timp ce testile de date pe care le dețin ar putea oferi răspunsuri la întrebări pe care cercetătorii originali nu le-au luat niciodată în considerare.

Când vine vorba, în cele din urmă, de partajarea datelor, aceasta este adesea incompletă, inconsecventă sau părtinitoare, așa cum este cazul seturilor de date utilizate pentru prezicerea afinităților de legare proteină-ligand, care sunt cruciale pentru descoperirea medicamentelor. În unele cazuri, este posibil ca datele să nu reflecte nici măcar populațiile întregi, iar modelele AI pot fi insuficiente în scenariile din lumea reală.

Complexitate

Complexitatea absolută a sistemelor biologice face ca analiza și predicțiile bazate pe inteligență artificială să fie dificile ale schimbărilor de timp și spațiale ale comportamentului unor astfel de sisteme.

Există un număr mare de interacțiuni complexe și dinamice în cadrul sistemelor biologice în care fiecare element, cum ar fi proteinele, genele și celulele, poate avea funcții multiple și poate fi afectat de mai mulți factori, inclusiv variații genetice, condiții de mediu și stări de boală.

Interacțiunile dintre diferite elemente pot fi, de asemenea, neliniare, ceea ce înseamnă că micile modificări într-un element pot duce la schimbări mari în întregul sistem. De exemplu, o singură genă care controlează diviziunea celulară poate avea un impact mare asupra creșterii unei tumori sau interacțiunile dintre mai multe proteine ​​pot duce la dezvoltarea unor structuri foarte specifice și complexe, cum ar fi citoscheletul unei celule.

O altă provocare este lipsa de personal calificat care să se ocupe de instrumentele de descoperire a medicamentelor AI.

Interpretabilitate

Utilizarea rețelelor neuronale în descoperirea medicamentelor AI a depășit limitele a ceea ce este posibil, dar lipsa interpretabilității acestora reprezintă o provocare semnificativă. Denumite cutii negre, astfel de modele AI ar putea produce cele mai precise predicții posibile, dar nici măcar inginerii nu pot explica raționamentul din spatele lor. Acest lucru este deosebit de provocator în învățarea profundă, unde complexitatea înțelegerii rezultatelor fiecărui strat crește pe măsură ce numărul de straturi crește.

Această lipsă de transparență poate duce la soluții greșite și poate reduce încrederea în IA în rândul cercetătorilor, profesioniștilor medicali și organismelor de reglementare. Pentru a face față acestei provocări, există o nevoie tot mai mare de dezvoltare a unei IA explicabile și de încredere.

Încheierea

Noi medicamente care schimbă jocul pentru pacienți continuă să apară.

La doar 15 ani după ce HIV a fost identificat drept cauza SIDA în anii 1980, industria farmaceutică a dezvoltat o terapie cu mai multe medicamente care permite persoanelor afectate de virus să trăiască o durată de viață normală. Gleevec de la Novartis prelungește viața pacienților cu leucemie. Incivek de la Vertex Pharmaceuticals a dublat ratele de vindecare a hepatitei C. Keytruda de la Merck reduce riscul de revenire a cancerului la pacienții cu melanom după operație cu 35%.

Dar nu toate medicamentele noi sunt create egale. O analiză recentă a peste 200 de medicamente noi efectuată în Germania a arătat că doar 25% au oferit avantaje semnificative față de tratamentele existente. Medicamentele rămase au produs fie beneficii minime, fie deloc, fie impactul lor a fost incert.

Având în vedere natura costisitoare și consumatoare de timp a descoperirii medicamentelor, este clar că industria farmaceutică are nevoie de schimbări majore. Și aici descoperirea medicamentelor AI ar putea juca un rol. Există toate șansele ca AI să poată aduce contribuții de transformare dincolo de accelerarea ratelor de timp până la clinică.

Te gândești la propriul tău proiect de descoperire a medicamentelor AI? Dă-ne un rând. Cu ani de experiență în crearea de soluții AI pentru asistența medicală, suntem partenerul de care aveți nevoie.

Publicat inițial la https://itrexgroup.com pe 27 ianuarie 2023.