การค้นพบยาของ AI: มันเปลี่ยนเกมอย่างไร

เผยแพร่แล้ว: 2023-01-31

การค้นพบยา AI กำลังระเบิด

เกินจริงหรือไม่ การลงทุนในการค้นพบยาด้วย AI เพิ่มขึ้นจาก 450 ล้านดอลลาร์ในปี 2014 เป็น 58 พันล้านดอลลาร์ในปี 2021 บริษัทยายักษ์ใหญ่ทั้งหมด รวมถึง Bayer, AstraZeneca, Takeda, Sanofi, Merck และ Pfizer ได้เพิ่มการใช้จ่ายด้วยความหวังที่จะสร้าง โซลูชัน AI ยุคใหม่ที่จะนำความคุ้มค่า ความรวดเร็ว และความแม่นยำมาสู่กระบวนการค้นพบยา

การค้นพบยาแผนโบราณนั้นเป็นเรื่องที่ยากมานานแล้ว ต้องใช้เวลาอย่างน้อย 10 ปีและอาจมีราคา 1.3 พันล้านดอลลาร์ในการนำยาใหม่ออกสู่ตลาด และนี่เป็นเพียงกรณีของยาที่ประสบความสำเร็จในการทดลองทางคลินิก (มีเพียงหนึ่งในสิบเท่านั้นที่ทำได้) ดังนั้นความสนใจในการหาวิธีใหม่ในการค้นพบและออกแบบยา

AI ได้ช่วยระบุแนวทางการรักษาของผู้สมัครที่มีแนวโน้มแล้ว และใช้เวลาไม่นานหลายปี แต่ใช้เวลาเพียงเดือนเดียว และในบางกรณีใช้เวลาเพียงไม่กี่วัน ในบทความนี้ เราจะมาดูกันว่าการค้นพบยาด้วย AI กำลังเปลี่ยนแปลงอุตสาหกรรมอย่างไร เราจะดูเรื่องราวความสำเร็จและประโยชน์ของ AI ตลอดจนข้อจำกัดของมัน ไปกันเถอะ.

วิธีค้นพบยาเสพติด

กระบวนการค้นพบยามักจะเริ่มจากการที่นักวิทยาศาสตร์ระบุเป้าหมายในร่างกาย เช่น โปรตีนหรือฮอร์โมนเฉพาะที่เกี่ยวข้องกับการพัฒนาของโรค จากนั้นจึงใช้วิธีต่างๆ เพื่อค้นหาวิธีรักษาที่เป็นไปได้ ซึ่งรวมถึงวิธีการต่อไปนี้

คัดกรองสารประกอบที่มีอยู่: นักวิทยาศาสตร์สามารถคัดกรองคลังของสารประกอบ (ผลิตภัณฑ์จากธรรมชาติหรือสารเคมี) ที่พวกเขาทำขึ้นเพื่อตรวจสอบว่ามีสารใดที่มีปฏิสัมพันธ์กับเป้าหมายที่ต้องการหรือไม่
การออกแบบยาแบบใหม่: นักวิทยาศาสตร์สามารถใช้การสร้างแบบจำลองและการจำลองด้วยคอมพิวเตอร์เพื่อพัฒนาสารประกอบทางเคมีใหม่ที่สามารถทำงานได้ วิธีการนี้ใช้ในการสร้างยาโมเลกุลเล็กซึ่งเป็นสารประกอบที่สังเคราะห์ขึ้นทางเคมีที่มีขนาดน้อยกว่า 1,500 ดาลตัน
ชีววิทยา: นักวิจัยยังสามารถสร้างโมเลกุลทางชีวภาพ เช่น แอนติบอดี เอนไซม์ หรือโปรตีนเพื่อทำหน้าที่เป็นยา สิ่งนี้เกี่ยวข้องกับการแยกหรือสังเคราะห์โมเลกุลจากสิ่งมีชีวิตที่สามารถโต้ตอบกับเป้าหมายได้ เมื่อเปรียบเทียบกับโมเลกุลขนาดเล็ก โดยทั่วไปแล้วโมเลกุลดังกล่าวจะมีขนาดใหญ่กว่าและซับซ้อนกว่า
การนำกลับมาใช้ใหม่: นักวิทยาศาสตร์สามารถดูสารประกอบที่ได้รับการพัฒนาเพื่อวัตถุประสงค์อื่นและดูว่ามีศักยภาพในการรักษาโรคหรือไม่

เมื่อพบตัวยาที่เป็นไปได้ (เรียกว่าสารประกอบตะกั่ว) จะมีการทดสอบในเซลล์หรือสัตว์ ก่อนที่จะดำเนินการทดลองทางคลินิกที่มีสามระยะ โดยเริ่มจากอาสาสมัครสุขภาพดีกลุ่มเล็กๆ จากนั้นจึงดำเนินการกับผู้ป่วยกลุ่มใหญ่ที่ทุกข์ทรมานจาก เงื่อนไขเฉพาะ

การนำ AI ไปใช้อย่างไร

AI ครอบคลุมเทคโนโลยีและวิธีการต่างๆ ที่เกี่ยวข้องกับการใช้วิธีการคำนวณที่ซับซ้อนเพื่อเลียนแบบองค์ประกอบของความฉลาดของมนุษย์ เช่น การรับรู้ทางสายตา การรู้จำคำพูด การตัดสินใจ และความเข้าใจภาษา

AI เริ่มขึ้นในปี 1950 โดยเป็นชุดง่ายๆ ของ “ถ้า แล้ว กฎ” และเข้าสู่การดูแลสุขภาพในอีกสองทศวรรษต่อมาหลังจากมีการพัฒนาอัลกอริธึมที่ซับซ้อนมากขึ้น นับตั้งแต่มีการเรียนรู้เชิงลึกในช่วงทศวรรษที่ 2000 แอปพลิเคชัน AI ในการดูแลสุขภาพได้ขยายตัวมากขึ้น เทคโนโลยี AI บางอย่างกำลังเสริมพลังให้กับการออกแบบยา

การเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่อง (ML) มุ่งเน้นไปที่การฝึกอบรมอัลกอริทึมคอมพิวเตอร์เพื่อเรียนรู้จากข้อมูลและปรับปรุงประสิทธิภาพโดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน

โซลูชัน ML ครอบคลุมสาขาต่างๆ มากมาย แต่ละสาขามีลักษณะเฉพาะและวิธีการเฉพาะของตนเอง สาขาเหล่านี้รวมถึงการเรียนรู้แบบมีผู้สอนและแบบไม่มีผู้สอน เช่นเดียวกับการเรียนรู้แบบเสริมแรง และในแต่ละสาขามีเทคนิคอัลกอริทึมต่างๆ ที่ใช้เพื่อให้บรรลุเป้าหมายเฉพาะ เช่น การถดถอยเชิงเส้น โครงข่ายประสาทเทียม และเครื่องเวกเตอร์สนับสนุน ML มีขอบเขตการใช้งานที่แตกต่างกันมากมาย หนึ่งในนั้นอยู่ในขอบเขตของการค้นพบยาด้วย AI ซึ่งเปิดใช้งานสิ่งต่อไปนี้:

การคัดกรองสารประกอบเสมือนจริงเพื่อระบุตัวยาที่เป็นไปได้
การสร้างแบบจำลองเชิงทำนายประสิทธิภาพและความเป็นพิษของยา
การระบุเป้าหมายใหม่สำหรับการพัฒนายา
การวิเคราะห์ข้อมูลจีโนมและโปรตีโอมิกขนาดใหญ่ที่รวบรวมจากสิ่งมีชีวิต (เช่น ลำดับดีเอ็นเอ ระดับการแสดงออกของยีน โครงสร้างโปรตีน)
การเพิ่มประสิทธิภาพของขนาดยาและสูตรการรักษา
การสร้างแบบจำลองการคาดการณ์การตอบสนองของผู้ป่วยต่อการรักษา

การเรียนรู้อย่างลึกซึ้ง

Deep Learning (DL) เป็นส่วนย่อยของ ML ที่อิงตามการใช้โครงข่ายประสาทเทียม (ANN) ANN ประกอบด้วยโหนดหรือ "เซลล์ประสาท" ที่เชื่อมต่อกันซึ่งเชื่อมต่อกันด้วยทางเดินที่เรียกว่า "ไซแนปส์" เช่นเดียวกับในสมองของมนุษย์ เซลล์ประสาทเหล่านี้ทำงานร่วมกันเพื่อประมวลผลข้อมูลและคาดการณ์หรือตัดสินใจ ยิ่งเครือข่ายประสาทมีชั้นของเซลล์ประสาทที่เชื่อมต่อกันมากเท่าไหร่ก็ยิ่งมี "ความลึก" มากขึ้นเท่านั้น

ต่างจากอัลกอริทึมการเรียนรู้แบบมีผู้ดูแลและกึ่งดูแลที่สามารถระบุรูปแบบได้เฉพาะในข้อมูลที่มีโครงสร้างเท่านั้น แบบจำลอง DL สามารถประมวลผลข้อมูลที่ไม่มีโครงสร้างปริมาณมหาศาล และสามารถคาดการณ์ขั้นสูงได้มากขึ้นโดยมีการควบคุมเพียงเล็กน้อยจากมนุษย์

ในการค้นพบยาของ AI นั้น DL ใช้สำหรับ:

ปรับปรุงการคัดกรองเสมือนของไลบรารีแบบผสมเพื่อระบุการเข้าชมที่มีโอกาสสูงที่จะเชื่อมโยงกับเป้าหมาย
การสร้างโปรไฟล์ด้วยภาพเพื่อทำความเข้าใจฟีโนไทป์ที่เกี่ยวข้องกับโรค กลไกการเกิดโรค หรือความเป็นพิษของยา
การคาดการณ์ที่แม่นยำยิ่งขึ้นว่ายาจะถูกดูดซึม กระจาย เผาผลาญ และขับออกจากร่างกายอย่างไร (คุณสมบัติทางเภสัชจลนศาสตร์)
การทำนายปฏิกิริยาระหว่างยากับเป้าหมายและความสัมพันธ์ที่มีผลผูกพัน
การทำนายโครงสร้างของโปรตีนที่เป็นเป้าหมายของยาส่วนใหญ่ที่ระบุในปัจจุบัน
การสร้างสารประกอบคล้ายยาชนิดใหม่ที่มีคุณสมบัติทางกายภาพ เคมี และฤทธิ์ทางชีวภาพที่ต้องการ
ระบบอัตโนมัติของกระบวนการทดลองทางคลินิกและการออกแบบโปรโตคอล

การประมวลผลภาษาธรรมชาติ

การประมวลผลภาษาธรรมชาติ (NLP) อาศัยการผสมผสานของเทคนิคจากภาษาศาสตร์ คณิตศาสตร์ และวิทยาการคอมพิวเตอร์ รวมถึงแบบจำลอง DL เพื่อวิเคราะห์ ทำความเข้าใจ และสร้างภาษามนุษย์ การวิจัยการค้นพบยาด้วย AI มักใช้ NLP เพื่อดึงข้อมูลจากทั้งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างเพื่อทำสิ่งต่อไปนี้ให้สำเร็จ:

การทำเหมืองข้อความของวรรณกรรมทางวิทยาศาสตร์เพื่อระบุความสัมพันธ์ระหว่างหน่วยงานของสารเคมี/ยา เป้าหมาย และเส้นทางใหม่ที่เกี่ยวข้องกับโรค
การแยกข้อมูลที่มีโครงสร้างจากบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) ที่ไม่มีโครงสร้าง เช่น ข้อมูลประชากร การวินิจฉัย และยาของผู้ป่วย
การระบุเหตุการณ์ที่ไม่พึงประสงค์จากยาโดยการวิเคราะห์ข้อมูลที่เป็นข้อความจากโซเชียลมีเดีย บทความข่าว และแหล่งข้อมูลอื่นๆ
การกำหนดเกณฑ์คุณสมบัติของการทดลองทางคลินิกตามโปรโตคอลและการจับคู่ผู้ป่วยกับการทดลอง
สรุปข้อมูลยา

เหตุใดการค้นพบยาด้วย AI จึงเป็นทอล์ค ออฟ เดอะ ทาวน์ในขณะนี้

ในช่วงสองสามปีที่ผ่านมา บริษัทต่างๆ ในภาคเภสัชกรรมได้ดำเนินการเพื่อรวม AI เข้ากับวิธีการวิจัยของตน ซึ่งรวมถึงการสร้างทีม AI ภายในองค์กร การจ้างผู้เชี่ยวชาญด้าน AI ด้านการดูแลสุขภาพและนักวิเคราะห์ข้อมูล การสนับสนุนสตาร์ทอัพที่มุ่งเน้นด้าน AI และการร่วมมือกับบริษัทเทคโนโลยีหรือศูนย์วิจัย ปัจจัยหลายอย่างรวมกันกำลังขับเคลื่อนแนวโน้มนี้

พลังที่เพิ่มขึ้นของคอมพิวเตอร์และการพัฒนา AI ใหม่

ความก้าวหน้าทางเทคโนโลยีล่าสุดได้เปลี่ยนโฟกัสแบบดั้งเดิมของการวิจัยการค้นคว้ายาด้วย AI

เนื่องจากบริษัทส่วนใหญ่ในภาคส่วนนี้ (ประมาณ 150 แห่งในปี 2565 ตามรายงาน BiopharmaTrend AI) ยังคงให้ความสำคัญกับการออกแบบโมเลกุลขนาดเล็ก ซึ่งง่ายต่อการคำนวณและเปรียบเทียบตามขนาด จึงมีความสนใจเพิ่มขึ้นในแอปพลิเคชันใหม่ของ AI ในการค้นพบยา

หลายบริษัท – 77 แห่ง – กำลังเริ่มนำ AI มาใช้ในการออกแบบสารชีวภาพ และ 55 แห่งกำลังค้นพบตัวบ่งชี้ทางชีวภาพที่บ่งบอกถึงการมีอยู่หรือการลุกลามของโรค คนอื่น ๆ มุ่งเน้นไปที่การสร้างแพลตฟอร์มการค้นพบยาที่ใช้ AI ทั้งหมด การระบุเป้าหมายใหม่ หรือการสร้างออนโทโลจี ซึ่งเป็นการแสดงโครงสร้างความสัมพันธ์ระหว่างเอนทิตีต่าง ๆ เช่น สารประกอบทางเคมี โปรตีน และโรค

เพิ่มการเข้าถึงเครื่องมือ AI

เนื่องจากการขาดแคลนบุคลากรที่มีความสามารถด้าน AI ไม่มีทีท่าว่าจะลดลง อุปสรรคในการเข้าสู่การค้นพบยาของ AI จึงลดลงอย่างแท้จริง ผู้จำหน่ายเทคโนโลยีและบริษัทยายักษ์ใหญ่กำลังเปิดตัวแพลตฟอร์ม AI ที่ซับซ้อนมากขึ้น ซึ่งรวมถึงระบบแบบลากและวางแบบไม่ต้องใช้โค้ดที่พร้อมใช้งาน ซึ่งช่วยให้ผู้เชี่ยวชาญที่ไม่ใช่ AI สามารถผสานรวมปัญญาประดิษฐ์เข้ากับงานวิจัยของตนได้ การพัฒนาเหล่านี้มีบทบาทสำคัญในการเร่งนำ AI มาใช้โดยอุตสาหกรรม

เรื่องราวความสำเร็จที่เปิดใช้งาน AI

โครงการค้นคว้ายาด้วย AI ที่ดำเนินการในวงวิชาการและอุตสาหกรรมได้ก่อให้เกิดผลสำเร็จเป็นครั้งแรกในห่วงโซ่คุณค่าของการค้นคว้ายา ตัวอย่างมีดังต่อไปนี้:

DeepMind ได้สร้างระบบ AI AlphaFold ซึ่งสามารถทำนายโครงสร้าง 3 มิติของโปรตีนจากลำดับกรดอะมิโนหนึ่งมิติในไม่กี่วินาที แทนที่จะเป็นเดือนหรือปีตามปกติ ระบบนี้ใช้ในการทำนายโครงสร้างโปรตีนกว่า 200 ล้านโครงสร้างที่เป็นของสัตว์ พืช แบคทีเรีย เชื้อรา และสิ่งมีชีวิตอื่นๆ
นักวิจัยของมหาวิทยาลัยวอชิงตันได้พัฒนาโมเดลการเรียนรู้เชิงลึกที่ใช้คอมพิวเตอร์เล่นเกมเพื่อคำนวณโครงสร้างโปรตีนภายใน 10 นาที
Deep Genomics ใช้เทคโนโลยี AI เพื่อคัดกรองโรคมากกว่า 2,400 โรค และการกลายพันธุ์ 100,000 ครั้ง เพื่อทำนายกลไกการก่อให้เกิดโรคที่แน่นอนในการกลายพันธุ์ของโรค Wilson และสร้างยา DG12P1 ใน 18 เดือน
Aladdin ได้เปิดตัวแพลตฟอร์มการค้นพบยาด้วย AI ที่เป็นกรรมสิทธิ์สำหรับใช้ในเชิงพาณิชย์ในการตรวจคัดกรองเสมือนจริง เข้าถึงลูกค้าเป้าหมาย เพิ่มประสิทธิภาพลูกค้าเป้าหมาย และระยะพรีคลินิก แพลตฟอร์มนี้ช่วยให้ Aladdin ระบุสารประกอบยาจำนวนหนึ่งสำหรับการรักษาโรคที่เกี่ยวข้องกับอายุ
ไอบีเอ็มได้พัฒนาระบบวัตสันที่มีความสามารถในการคำนวณทางปัญญาที่ใช้โดยอุตสาหกรรมเภสัชกรรมเพื่อจับคู่ผู้ป่วยกับการทดลองทางคลินิกที่เหมาะสมกับอาการของพวกเขา ในการทดลองทางคลินิกสำหรับมะเร็งเต้านม แพลตฟอร์มดังกล่าวแสดงให้เห็นถึงการลงทะเบียนเพิ่มขึ้น 80% และลดเวลาในการจับคู่การทดลอง
AbCellera ใช้เวลาน้อยกว่าสามเดือนในการพัฒนาโมโนโคลนอลแอนติบอดีสำหรับกำจัดไวรัสสายพันธุ์ต่าง ๆ ของ COVID-19 และได้รับการอนุมัติจากสำนักงานคณะกรรมการอาหารและยาของสหรัฐอเมริกา (FDA)
ในช่วงหลายวันที่ผ่านมา BenevolentAI ได้รวมกราฟความรู้เข้ากับเครื่องมือ AI เพื่อค้นพบว่าบาริซิทินิบเป็นยารักษาโควิด-19 ที่มีศักยภาพ
BioXcel Therapeutics ได้เร่งการค้นพบ dexmedetomidine เพื่อเป็นยากล่อมประสาทสำหรับผู้ป่วยโรคจิตเภทและโรคอารมณ์สองขั้ว บริษัทได้รับการอนุมัติจาก FDA สำหรับฟิล์ม dexmedetomidine (IgalmiTM) ที่เป็นกรรมสิทธิ์ของบริษัทภายในเวลาไม่ถึงสี่ปีหลังจากการทดลองครั้งแรกในมนุษย์
การใช้ AI ทำให้ Exscientia ออกแบบโมเลกุลขนาดเล็กสามตัวเพื่อเข้าสู่การทดลองทางคลินิกในช่วงสองปี โมเลกุลมีไว้สำหรับการรักษาโรคอัลไซเมอร์ โรคย้ำคิดย้ำทำ และภูมิคุ้มกันวิทยา
ในช่วงต้นปี 2566 Insilico รายงานผลการทดลองทางคลินิกระยะที่ 1 ของโมเลกุลใหม่ที่ออกแบบโดย AI สำหรับเป้าหมายใหม่ที่ค้นพบโดย AI เพื่อรักษาโรคพังผืดในปอด (IPF) ที่ไม่ทราบสาเหตุ
ในปี พ.ศ. 2564 ชีววิทยาที่ได้จาก AI 13 รายการได้เข้าสู่ขั้นตอนการรักษา โดยสาขาการรักษาของพวกเขารวมถึงโควิด-19 มะเร็งวิทยา และประสาทวิทยา

ประโยชน์และความท้าทายในการค้นพบยาด้วย AI

AI เป็นเครื่องมืออันทรงพลังที่รักษาคำมั่นสัญญาในการปฏิวัติอุตสาหกรรมยา ด้วยความสามารถในการวิเคราะห์ข้อมูลจำนวนมหาศาลและคาดการณ์ได้ ปัญญาประดิษฐ์สามารถช่วยนักวิจัยเอาชนะอุปสรรคที่ขัดขวางกระบวนการค้นพบยามาอย่างยาวนานโดยเปิดใช้งาน:

ลดระยะเวลาในการค้นพบและระยะพรีคลินิก
คาดการณ์ประสิทธิภาพและความปลอดภัยของยาได้แม่นยำยิ่งขึ้น
ข้อมูลเชิงลึกใหม่ที่คาดไม่ถึงเกี่ยวกับผลกระทบของยาและโรค
สายการวิจัยใหม่และกลยุทธ์การวิจัยและพัฒนาใหม่
ประหยัดต้นทุนด้วยการวิเคราะห์ที่รวดเร็วขึ้นและระบบอัตโนมัติ

จากข้อมูลของ Insider Intelligence AI สามารถช่วยอุตสาหกรรมยาได้มากถึง 70% ของค่าใช้จ่ายในการค้นพบยา ศักยภาพของ AI ในการค้นพบยานั้นน่าตื่นเต้นอย่างแท้จริง แต่มีสิ่งกีดขวางบนถนนสองสามอย่างที่ต้องแก้ไขก่อนจึงจะใช้ประโยชน์ได้อย่างเต็มที่

ข้อมูล

เมื่อพูดถึง AI ก็มักจะลงมาที่การป้อนข้อมูล ไซโลข้อมูลและระบบเดิมที่ไม่อนุญาตให้มีการรวมเป็นอุปสรรคใหญ่สำหรับการวิจัย AI ในทุกโดเมน ในอุตสาหกรรมยา ปัญหาอาจเด่นชัดยิ่งขึ้น

เดิมทีบริษัทยามักจะไม่ค่อยดีนักในการแบ่งปันข้อมูล ไม่ว่าจะเป็นผลลัพธ์จากการศึกษาทางคลินิกหรือข้อมูลผู้ป่วยที่ไม่ระบุตัวตน ในขณะที่ข้อมูลจำนวนมากที่พวกเขามีอยู่อาจให้คำตอบสำหรับคำถามที่นักวิจัยดั้งเดิมไม่เคยพิจารณามาก่อน

เมื่อพูดถึงการแบ่งปันข้อมูลในท้ายที่สุด ก็มักจะไม่สมบูรณ์ ไม่สอดคล้องกัน หรือมีอคติ เช่นเดียวกับกรณีของชุดข้อมูลที่ใช้ในการทำนายความสัมพันธ์ที่จับกับโปรตีน-ลิแกนด์ ซึ่งมีความสำคัญอย่างยิ่งต่อการค้นพบยา ในบางกรณี ข้อมูลอาจไม่สะท้อนถึงประชากรทั้งหมดด้วยซ้ำ และแบบจำลอง AI อาจไม่เพียงพอในสถานการณ์จริง

ความซับซ้อน

ความซับซ้อนที่แท้จริงของระบบทางชีววิทยาทำให้การวิเคราะห์ที่เปิดใช้งาน AI และการทำนายเวลาและการเปลี่ยนแปลงเชิงพื้นที่ในพฤติกรรมของระบบดังกล่าวทำได้ยาก

มีปฏิสัมพันธ์ที่ซับซ้อนและมีไดนามิกมากมายภายในระบบชีวภาพ ซึ่งแต่ละองค์ประกอบ เช่น โปรตีน ยีน และเซลล์สามารถมีหน้าที่หลายอย่างและได้รับผลกระทบจากปัจจัยหลายอย่าง รวมถึงความผันแปรทางพันธุกรรม สภาวะแวดล้อม และสภาวะของโรค

ปฏิสัมพันธ์ระหว่างองค์ประกอบต่างๆ อาจไม่เป็นเชิงเส้น หมายความว่าการเปลี่ยนแปลงเพียงเล็กน้อยในองค์ประกอบหนึ่งอาจนำไปสู่การเปลี่ยนแปลงขนาดใหญ่ในระบบโดยรวม ตัวอย่างเช่น ยีนเดี่ยวที่ควบคุมการแบ่งเซลล์สามารถมีผลกระทบอย่างมากต่อการเจริญเติบโตของเนื้องอก หรือปฏิสัมพันธ์ระหว่างโปรตีนหลายชนิดสามารถนำไปสู่การพัฒนาโครงสร้างที่มีความเฉพาะเจาะจงสูงและซับซ้อน เช่น โครงร่างโครงร่างของเซลล์

ความท้าทายอีกประการหนึ่งคือการขาดเจ้าหน้าที่ที่มีคุณสมบัติเหมาะสมในการจัดการกับเครื่องมือค้นหายาด้วย AI

การตีความ

การใช้โครงข่ายประสาทเทียมในการค้นพบยาด้วย AI ได้ผลักดันขอบเขตของสิ่งที่เป็นไปได้ แต่การขาดความสามารถในการตีความทำให้เกิดความท้าทายที่สำคัญ เรียกว่ากล่องดำ แบบจำลอง AI ดังกล่าวอาจสร้างการคาดการณ์ที่แม่นยำที่สุดเท่าที่จะเป็นไปได้ แต่แม้แต่วิศวกรก็ไม่สามารถอธิบายเหตุผลที่อยู่เบื้องหลังได้ สิ่งนี้มีความท้าทายอย่างยิ่งในการเรียนรู้เชิงลึก ซึ่งความซับซ้อนในการทำความเข้าใจเอาต์พุตของแต่ละเลเยอร์จะเพิ่มขึ้นตามจำนวนเลเยอร์ที่เพิ่มขึ้น

การขาดความโปร่งใสนี้อาจนำไปสู่การแก้ปัญหาที่มีข้อบกพร่อง และลดความไว้วางใจใน AI ในหมู่นักวิจัย ผู้เชี่ยวชาญทางการแพทย์ และหน่วยงานกำกับดูแล เพื่อจัดการกับความท้าทายนี้ มีความต้องการเพิ่มขึ้นสำหรับการพัฒนา AI ที่อธิบายได้และเชื่อถือได้

ห่อ

ยาใหม่ที่จะเปลี่ยนเกมสำหรับผู้ป่วยยังคงเกิดขึ้น

เพียง 15 ปีหลังจากที่เชื้อเอชไอวีถูกระบุว่าเป็นสาเหตุของโรคเอดส์ในทศวรรษที่ 1980 อุตสาหกรรมยาได้พัฒนาการบำบัดด้วยยาหลายชนิดที่ช่วยให้ผู้ที่ได้รับผลกระทบจากไวรัสสามารถมีชีวิตที่ปกติได้ Gleevec ของ Novartis ช่วยยืดอายุของผู้ป่วยมะเร็งเม็ดเลือดขาว Incivek จาก Vertex Pharmaceuticals เพิ่มอัตราการรักษาโรคไวรัสตับอักเสบซีเป็นสองเท่า Keytruda จากเมอร์คช่วยลดความเสี่ยงที่มะเร็งจะกลับเป็นซ้ำในผู้ป่วยมะเร็งผิวหนังหลังการผ่าตัดได้ถึง 35%

แต่ยาใหม่ทั้งหมดไม่ได้ถูกสร้างขึ้นเท่ากัน การวิเคราะห์ล่าสุดเกี่ยวกับยาใหม่กว่า 200 รายการที่ดำเนินการในเยอรมนีเปิดเผยว่ามีเพียง 25% เท่านั้นที่ให้ข้อได้เปรียบที่สำคัญเหนือการรักษาที่มีอยู่ ยาที่เหลือให้ประโยชน์เพียงเล็กน้อยหรือไม่มีเลย หรือผลกระทบไม่แน่นอน

ด้วยธรรมชาติของการค้นพบยาที่มีค่าใช้จ่ายสูงและใช้เวลานาน จึงเป็นที่แน่ชัดว่าอุตสาหกรรมยาต้องการการเปลี่ยนแปลงครั้งใหญ่ และนั่นคือจุดที่การค้นพบยาของ AI สามารถมีบทบาทได้ มีโอกาสทุกประการที่ AI สามารถสร้างความเปลี่ยนแปลงได้นอกเหนือจากการเร่งอัตราเวลาถึงคลินิก

คิดเกี่ยวกับโครงการค้นหายา AI ของคุณเองหรือ วางสายเรา ด้วยประสบการณ์หลายปีในการสร้างโซลูชัน AI สำหรับการดูแลสุขภาพ เราจึงเป็นพันธมิตรที่คุณต้องการ

เผยแพร่ครั้งแรกที่ https://itrexgroup.com เมื่อวันที่ 27 มกราคม 2023