AI Drug Discovery: Oyunu Nasıl Değiştiriyor?

Yayınlanan: 2023-01-31

AI ilaç keşfi patlıyor.

Abartılı olsun ya da olmasın, AI ilaç keşfine yapılan yatırımlar 2014'te 450 milyon dolardan 2021'de 58 milyar dolara sıçradı. Bayer, AstraZeneca, Takeda, Sanofi, Merck ve Pfizer dahil tüm ilaç devleri, yaratma umuduyla harcamalarını artırdı. ilaç keşif sürecine maliyet verimliliği, hız ve hassasiyet getirecek yeni çağ yapay zeka çözümleri.

Geleneksel ilaç keşfi uzun zamandır herkesin bildiği gibi zor olmuştur. Yeni bir ilacı piyasaya sürmek en az 10 yıl alır ve 1,3 milyar dolara mal olabilir. Ve bu sadece klinik deneylerde başarılı olan ilaçlar için geçerlidir (sadece onda biri başarır). Bu nedenle, ilaçları keşfetmenin ve tasarlamanın yeni yollarını bulmaya olan ilgi.

AI, gelecek vaat eden terapötik adayların belirlenmesine zaten yardımcı oldu ve bu yıllar değil, yalnızca aylar ve bazı durumlarda sadece günler aldı. Bu yazıda yapay zeka ilaç keşfinin sektörü nasıl değiştirdiğini keşfedeceğiz. Başarı hikayelerine ve AI'nın avantajlarına ve sınırlamalarına bakacağız. Hadi gidelim.

Uyuşturucular Nasıl Keşfedilir?

İlaç keşif süreci tipik olarak bilim adamlarının vücutta bir hastalığın gelişiminde yer alan belirli bir protein veya hormon gibi bir hedefi belirlemesiyle başlar. Daha sonra, aşağıdaki yöntemleri içeren olası bir tedaviyi bulmak için farklı yöntemler kullanırlar.

  1. Mevcut bileşiklerin taranması: Bilim adamları, herhangi birinin hedefle istenen etkileşime sahip olup olmadığını kontrol etmek için zaten oluşturmuş oldukları bileşik kitaplıklarını (doğal ürünler veya kimyasallar) tarayabilir.
  2. De novo ilaç tasarımı: Bilim adamları, işi yapabilecek yeni kimyasal bileşikler geliştirmek için bilgisayar modellemesi ve simülasyonunu kullanabilirler. Bu yaklaşım, boyutu 1.500 daltondan daha küçük olan, kimyasal olarak sentezlenmiş bileşikler olan küçük moleküllü ilaçlar oluşturmak için kullanılır.
  3. Biyoloji: Araştırmacılar ayrıca ilaç görevi görecek antikorlar, enzimler veya proteinler gibi biyolojik moleküller üretebilirler. Bu, hedefle etkileşime girebilen canlı organizmalardan moleküllerin izole edilmesini veya sentezlenmesini içerir. Küçük moleküllerle karşılaştırıldığında, bu tür moleküller tipik olarak daha büyük ve daha karmaşıktır.
  4. Yeniden kullanım: Bilim adamları, başka amaçlar için geliştirilmiş bileşiklere göz atabilir ve söz konusu hastalık için terapötik potansiyele sahip olup olmadıklarını görebilirler.

Potansiyel bir ilaç adayı (kurşun bileşik olarak adlandırılır) bulunduğunda, küçük sağlıklı gönüllü gruplarıyla başlayan ve ardından bundan muzdarip daha büyük hasta gruplarına ilerleyen üç aşamayı içeren klinik deneylere geçmeden önce hücrelerde veya hayvanlarda test edilir. özel durum.

AI Nasıl Uygulanır?

AI, görsel algı, konuşma tanıma, karar verme ve dil anlama gibi insan zekasının unsurlarını taklit etmek için karmaşık hesaplama yöntemlerinin kullanılmasını içeren çeşitli teknolojileri ve yaklaşımları kapsar.

AI, 1950'lerde basit bir "eğer, o zaman kuralları" dizisi olarak başladı ve yirmi yıl sonra daha karmaşık algoritmalar geliştirildikten sonra sağlık hizmetlerine girdi. 2000'lerde derin öğrenmenin ortaya çıkışından bu yana, sağlık hizmetlerinde yapay zeka uygulamaları genişledi. Birkaç AI teknolojisi, ilaç tasarımını güçlendiriyor.

Makine öğrenme

Makine öğrenimi (ML), açıkça programlanmadan verilerden öğrenmek ve performanslarını iyileştirmek için bilgisayar algoritmalarını eğitmeye odaklanır.

Makine öğrenimi çözümleri, her biri kendine özgü özelliklere ve metodolojilere sahip çok çeşitli dalları kapsar. Bu dallar denetimli ve denetimsiz öğrenmenin yanı sıra pekiştirmeli öğrenmeyi içerir ve her dalda doğrusal regresyon, sinir ağları ve destek vektör makineleri gibi belirli hedeflere ulaşmak için kullanılan çeşitli algoritmik teknikler vardır. Makine öğreniminin birçok farklı uygulama alanı vardır ve bunlardan biri, aşağıdakileri sağladığı AI ilaç keşfi alanındadır:

  • Potansiyel ilaç adaylarını belirlemek için bileşiklerin sanal olarak taranması
  • İlaç etkinliği ve toksisitesinin tahmini modellemesi
  • İlaç geliştirme için yeni hedeflerin belirlenmesi
  • Canlı organizmalardan toplanan büyük ölçekli genomik ve proteomik verilerin analizi (örn. DNA dizileri, gen ekspresyon seviyeleri, protein yapıları)
  • İlaç dozlama ve tedavi rejimlerinin optimizasyonu
  • Tedaviye verilen hasta tepkilerinin tahmine dayalı modellemesi

Derin Öğrenme

Derin Öğrenme (DL), yapay sinir ağları (YSA) kullanımına dayalı bir makine öğrenimi alt kümesidir. YSA'lar, "sinapslar" adı verilen yollarla bağlanan birbirine bağlı düğümlerden veya "nöronlardan" oluşur. İnsan beyninde olduğu gibi, bu nöronlar bilgiyi işlemek ve tahminlerde bulunmak veya kararlar almak için birlikte çalışırlar. Bir sinir ağı ne kadar çok birbirine bağlı nöron katmanına sahipse, o kadar "derin" olur.

Yalnızca yapılandırılmış verilerdeki kalıpları tanımlayabilen denetimli ve yarı denetimli öğrenme algoritmalarının aksine, DL modelleri çok büyük hacimli yapılandırılmamış verileri işleyebilir ve insanlardan çok az denetimle daha gelişmiş tahminler yapabilir.

AI ilaç keşfinde DL şu amaçlarla kullanılır:

  • Bir hedefe bağlanma olasılığı daha yüksek olan isabetleri belirlemek için bileşik kitaplıkların geliştirilmiş sanal taraması
  • hastalıkla ilişkili fenotipleri, hastalık mekanizmalarını veya bir ilacın toksisitesini anlamak için görüntü tabanlı profil oluşturma
  • Bir ilacın nasıl emileceği, dağıtılacağı, metabolize edileceği ve vücuttan nasıl atılacağı (farmakokinetik özellikler) hakkında daha doğru tahminler
  • ilaç-hedef etkileşimlerinin ve bağlanma afinitesinin tahmini
  • Şu anda tanımlanmış ilaç hedeflerinin çoğundan sorumlu olan proteinlerin yapısının tahmini
  • istenen fiziksel, kimyasal ve biyoaktivite özelliklerine sahip yeni ilaç benzeri bileşiklerin üretilmesi
  • Klinik araştırma süreçlerinin ve protokol tasarımının otomasyonu.

Doğal Dil İşleme

Doğal Dil İşleme (NLP), insan dilini analiz etmek, anlamak ve oluşturmak için DL modelleri dahil olmak üzere dilbilim, matematik ve bilgisayar bilimlerindeki tekniklerin bir kombinasyonuna dayanır. AI ilaç keşif araştırması, aşağıdakileri gerçekleştirmek için hem yapılandırılmış hem de yapılandırılmamış verilerden bilgi çıkarmak için genellikle NLP'yi kullanır:

  1. Kimyasal/ilaç varlıkları, hedefleri ve hastalıkla ilgili yeni yollar arasındaki ilişkileri belirlemek için bilimsel literatürün metin madenciliği
  2. Hasta demografik bilgileri, teşhisler ve ilaçlar gibi yapılandırılmamış elektronik sağlık kayıtlarından (EHR'ler) yapılandırılmış bilgilerin çıkarılması
  3. Sosyal medyadan, haber makalelerinden ve diğer kaynaklardan alınan metin verilerini analiz ederek olumsuz ilaç olaylarını belirleme
  4. Klinik araştırmaya uygunluk kriterlerinin protokollere göre belirlenmesi ve hastaların araştırmalarla eşleştirilmesi
  5. İlaç bilgilerinin özetlenmesi

AI Uyuşturucu Keşfi Neden Şimdi Kasabanın Konuşması

Son birkaç yılda, ilaç sektöründeki şirketler yapay zekayı araştırma yöntemlerine dahil etmek için adımlar attı. Bu, kurum içi yapay zeka ekipleri oluşturmayı, yapay zeka sağlık uzmanları ve veri analistlerini işe almayı, yeni başlayanları yapay zeka odaklı desteklemeyi ve teknoloji firmaları veya araştırma merkezleriyle ekip kurmayı içerir. Faktörlerin bir kombinasyonu bu trendi yönlendiriyor.

Bilgisayarların Artan Gücü ve Yeni Yapay Zeka Gelişmeleri

Son teknolojik gelişmeler, AI ilaç keşif araştırmasının geleneksel odağını değiştirdi.

Sektördeki şirketlerin çoğunluğu (BiopharmaTrend AI Raporuna göre 2022'de yaklaşık 150), hesaplamalı olarak temsil edilmesi ve ölçekte karşılaştırması kolay küçük moleküller tasarlamaya odaklanmaya devam ederken, AI'nın yeni uygulamalarına da artan bir ilgi var. uyuşturucu keşfinde.

Pek çok şirket - 77'si - biyolojik tasarım için yapay zekayı benimsemeye başlıyor ve 55'i bir hastalığın varlığını veya ilerlemesini gösteren biyobelirteçleri keşfediyor. Diğerleri, her şeyi kapsayan AI ilaç keşif platformları oluşturmaya, yeni hedefler belirlemeye veya ontolojiler (kimyasal bileşikler, proteinler ve hastalıklar gibi farklı varlıklar arasındaki ilişkilerin yapılandırılmış temsilleri) oluşturmaya odaklanıyor.

AI Araçlarına Erişimi Genişletme

AI yeteneğinin eksikliği azalma belirtisi göstermediğinden, AI ilaç keşfinin önündeki giriş engelleri fiilen azaldı. Teknoloji satıcıları ve ilaç devleri, AI olmayan uzmanların araştırmalarına yapay zekayı entegre etmelerini sağlayan, kullanıma hazır, kodsuz ve sürükle ve bırak sistemleri dahil olmak üzere, giderek daha karmaşık hale gelen AI platformlarını piyasaya sürüyor. Bu gelişmeler, yapay zekanın endüstri tarafından daha hızlı benimsenmesinde önemli bir rol oynuyor.

Yapay Zeka Destekli Başarı Öyküleri

Akademi ve endüstride sürdürülen yapay zeka ilaç keşif projeleri, ilaç keşfi değer zinciri boyunca ilk başarılı sonuçları şimdiden üretti. Örnekler aşağıdakileri içerir:

  • DeepMind, bir proteinin 3 boyutlu yapısını tek boyutlu amino asit dizisinden normalde aylar veya yıllar yerine saniyeler içinde tahmin edebilen AI sistemi AlphaFold'u kurdu. Sistem, hayvanlara, bitkilere, bakterilere, mantarlara ve diğer organizmalara ait 200 milyondan fazla protein yapısını tahmin etmek için kullanıldı.
  • Washington Üniversitesi araştırmacıları, protein yapılarını 10 dakika içinde hesaplamak için oyun bilgisayarlarını kullanan derin bir öğrenme modeli geliştirdiler.
  • Deep Genomics, bir Wilson hastalığı mutasyonunda hastalığa neden olan mekanizmayı tam olarak tahmin etmek ve 18 ayda bir DG12P1 ilacı oluşturmak için 2.400'den fazla hastalığı ve 100.000 mutasyonu taramak için yapay zeka teknolojilerini kullandı.
  • Aladdin, sanal tarama, hit-to-lead, potansiyel müşteri optimizasyonu ve klinik öncesi aşamada ticari kullanım için tescilli bir AI ilaç keşif platformu yayınladı. Bu platform, Aladdin'in yaşa bağlı hastalıkların potansiyel tedavisi için bir dizi ilaç bileşiğini belirlemesine yardımcı oldu.
  • IBM, ilaç endüstrisi tarafından hastaları durumlarına uygun klinik deneylerle eşleştirmek için kullanılan kognitif bilgi işlem yeteneklerine sahip Watson sistemini geliştirmiştir. Meme kanseri için yapılan bir klinik deneyde platform, kayıtta %80'lik bir artış ve deneme eşleştirme süresinde bir azalma gösterdi.
  • AbCellera'nın COVID-19'un viral varyantlarını nötralize etmek için bir monoklonal antikor geliştirmesi ve ABD Gıda ve İlaç Dairesi'nden (FDA) onay alması üç aydan kısa sürdü.
  • Birkaç gün içinde BenevolentAI, baricitinib'in potansiyel bir COVID-19 tedavisi olduğunu ortaya çıkarmak için bilgi grafiğini yapay zeka araçlarıyla birleştirdi.
  • BioXcel Therapeutics, deksmedetomidinin şizofreni ve bipolar bozukluğu olan hastalar için bir yatıştırıcı olarak keşfedilmesini hızlandırdı. Şirket, tescilli dil altı deksmedetomidin filmi (IgalmiTM) için insanda ilk denemelerinden dört yıldan kısa bir süre sonra FDA onayı aldı.
  • Exscientia, AI kullanarak iki yıl boyunca klinik deneylere girmek için üç küçük molekül tasarladı. Moleküller, Alzheimer hastalığı psikozunun, obsesif-kompulsif bozukluğun ve immüno-onkolojinin tedavisine yöneliktir.
  • 2023'ün başlarında Insilico, idiyopatik pulmoner fibrozisi (IPF) tedavi etmek için yapay zeka tarafından keşfedilen yeni bir hedef için yapay zeka tarafından tasarlanmış ilk yeni molekülün 1. Aşama klinik denemesinde pozitif üst sıra sonuçları bildirdi.
  • 2021'de AI kaynaklı 13 biyolojik, COVID-19, onkoloji ve nöroloji dahil olmak üzere tedavi alanlarıyla klinik aşamaya ulaştı.

AI İlaç Keşfinin Faydaları ve Zorlukları

AI, ilaç endüstrisinde devrim yaratma vaadini taşıyan güçlü bir araçtır. Yapay zeka, büyük miktarda veriyi analiz etme ve tahminlerde bulunma yeteneğiyle, araştırmacıların ilaç keşif sürecini uzun süredir engelleyen engelleri aşmasına yardımcı olabilir ve şunları sağlar:

  • keşif ve preklinik aşamalar için azaltılmış zaman çizelgeleri
  • ilaçların etkinliği ve güvenliği hakkında daha doğru tahminler
  • ilaç etkileri ve hastalıklara ilişkin yeni, beklenmedik içgörüler
  • yeni araştırma hatları ve yeni Ar-Ge stratejileri
  • daha hızlı analiz ve otomasyon yoluyla maliyet tasarrufu.

Insider Intelligence'a göre yapay zeka, ilaç endüstrisini ilaç keşif maliyetlerinden %70'e kadar kurtarabilir. Yapay zekanın uyuşturucu keşfindeki potansiyeli gerçekten heyecan verici, ancak onu sonuna kadar kullanmak için önce üstesinden gelinmesi gereken birkaç engel var.

Veri

AI söz konusu olduğunda, her zaman veri girişi gelir. Konsolidasyonlarına izin vermeyen veri siloları ve eski sistemler, herhangi bir alanda yapay zeka araştırmasının önündeki büyük engellerdir. İlaç endüstrisinde sorun daha da belirgin olabilir.

İlaç şirketleri, ister klinik çalışmalardan isterse kimlik bilgileri gizlenmiş hasta bilgilerinden olsun, verileri paylaşmakta geleneksel olarak kötü olmuştur; öte yandan sahip oldukları veri hazineleri, orijinal araştırmacıların asla dikkate almadığı sorulara yanıtlar sağlayabilir.

Nihayetinde veri paylaşımı söz konusu olduğunda, ilaç keşfi için çok önemli olan protein-ligand bağlanma afinitelerini tahmin etmek için kullanılan veri setlerinde olduğu gibi, genellikle eksik, tutarsız veya önyargılıdır. Bazı durumlarda, veriler tüm popülasyonu yansıtmayabilir ve yapay zeka modelleri gerçek dünya senaryolarında yetersiz kalabilir.

karmaşıklık

Biyolojik sistemlerin katıksız karmaşıklığı, yapay zeka destekli analizleri ve bu tür sistemlerin davranışlarındaki zaman ve mekansal değişikliklerin tahminlerini zorlaştırıyor.

Biyolojik sistemlerde, proteinler, genler ve hücreler gibi her bir öğenin birden fazla işleve sahip olabileceği ve genetik varyasyonlar, çevresel koşullar ve hastalık durumları dahil olmak üzere birçok faktörden etkilenebileceği çok sayıda karmaşık ve dinamik etkileşim vardır.

Farklı öğeler arasındaki etkileşimler doğrusal olmayabilir, yani bir öğedeki küçük değişiklikler tüm sistemde büyük değişikliklere yol açabilir. Örneğin, hücre bölünmesini kontrol eden tek bir gen, bir tümörün büyümesi üzerinde büyük bir etkiye sahip olabilir veya birden fazla protein arasındaki etkileşimler, bir hücrenin hücre iskeleti gibi oldukça spesifik ve karmaşık yapıların gelişmesine yol açabilir.

Diğer bir zorluk ise, AI ilaç keşif araçlarını idare edecek kalifiye personel eksikliğidir.

yorumlanabilirlik

Yapay zeka ilaç keşfinde sinir ağlarının kullanılması, mümkün olanın sınırlarını zorladı, ancak yorumlanabilirliklerinin olmaması önemli bir zorluk teşkil ediyor. Kara kutu olarak adlandırılan bu tür AI modelleri, mümkün olan en doğru tahminleri üretebilir, ancak mühendisler bile bunların arkasındaki mantığı açıklayamaz. Bu, özellikle her katmanın çıktısını anlamanın karmaşıklığının katman sayısı arttıkça arttığı derin öğrenmede zordur.

Bu şeffaflık eksikliği, kusurlu çözümlere yol açabilir ve araştırmacılar, tıp uzmanları ve düzenleyici kurumlar arasında yapay zekaya olan güveni azaltabilir. Bu zorluğun üstesinden gelmek için açıklanabilir, güvenilir yapay zekanın geliştirilmesine yönelik artan bir ihtiyaç var.

Sarma

Hastalar için oyunun kurallarını değiştiren yeni ilaçlar ortaya çıkmaya devam ediyor.

1980'lerde HIV'in AIDS'in nedeni olarak tanımlanmasından sadece 15 yıl sonra, ilaç endüstrisi, virüsten etkilenen insanların normal bir yaşam sürmesini sağlayan çoklu ilaç tedavisi geliştirdi. Novartis'in Gleevec'i lösemi hastalarının yaşamlarını uzatıyor. Vertex Pharmaceuticals'tan Incivek, hepatit C'yi iyileştirme oranlarını iki katına çıkardı. Merck'ten Keytruda, melanom hastalarında ameliyattan sonra kanserin tekrarlama riskini %35 oranında azaltır.

Ancak tüm yeni ilaçlar eşit yaratılmamıştır. Almanya'da 200'den fazla yeni ilacın yakın zamanda yürütülen bir analizi, yalnızca %25'inin mevcut tedavilere göre önemli avantajlar sağladığını ortaya koydu. Kalan ilaçlar ya çok az fayda sağladı ya da hiç fayda sağlamadı ya da etkileri belirsizdi.

İlaç keşfinin maliyetli ve zaman alıcı doğası göz önüne alındığında, ilaç endüstrisinin büyük değişikliklere ihtiyacı olduğu açıktır. Yapay Zeka ilaç keşfinin rol oynayabileceği yer burasıdır. Yapay zekanın klinikten kliniğe kadar geçen süreyi hızlandırmanın ötesinde dönüşümsel katkılar sağlayabilmesi için her türlü şans vardır.

Kendi AI ilaç keşif projenizi mi düşünüyorsunuz? Bize bir satır bırakın. Sağlık hizmetleri için yapay zeka çözümleri oluşturma konusunda uzun yıllara dayanan deneyimimizle ihtiyacınız olan ortağız.

İlk olarak 27 Ocak 2023'te https://itrexgroup.com adresinde yayınlandı.