AI Drug Discovery: come sta cambiando il gioco

Pubblicato: 2023-01-31

La scoperta di farmaci basati sull'intelligenza artificiale sta esplodendo.

Sovrastimati o meno, gli investimenti nella scoperta di farmaci per l'intelligenza artificiale sono passati da 450 milioni di dollari nel 2014 a ben 58 miliardi di dollari nel 2021. Tutti i giganti farmaceutici, tra cui Bayer, AstraZeneca, Takeda, Sanofi, Merck e Pfizer, hanno aumentato la spesa nella speranza di soluzioni di intelligenza artificiale new-age che porteranno efficienza in termini di costi, velocità e precisione al processo di scoperta dei farmaci.

La scoperta di droghe tradizionali è stata a lungo notoriamente difficile. Ci vogliono almeno 10 anni e può costare 1,3 miliardi di dollari per portare un nuovo farmaco sul mercato. E questo vale solo per i farmaci che hanno successo negli studi clinici (solo uno su dieci ci riesce). Da qui l'interesse a trovare nuovi modi per scoprire e progettare farmaci.

L'intelligenza artificiale ha già aiutato a identificare promettenti candidati terapeutici e non ci sono voluti anni, ma solo mesi e, in alcuni casi, solo giorni. In questo articolo, esploreremo come la scoperta di farmaci basati sull'intelligenza artificiale sta cambiando il settore. Esamineremo le storie di successo ei vantaggi dell'IA, nonché i suoi limiti. Andiamo.

Come vengono scoperte le droghe

Il processo di scoperta del farmaco inizia tipicamente con gli scienziati che identificano un bersaglio nel corpo, come una specifica proteina o ormone, che è coinvolto nello sviluppo di una malattia. Quindi usano diversi metodi per trovare un possibile trattamento, che include i seguenti metodi.

Screening di composti esistenti: gli scienziati possono esaminare librerie di composti (prodotti naturali o sostanze chimiche) che hanno già creato per verificare se qualcuno di essi ha l'interazione desiderata con il target.
Progettazione di farmaci de novo: gli scienziati possono utilizzare la modellazione e la simulazione al computer per sviluppare nuovi composti chimici in grado di svolgere il lavoro. Questo approccio viene utilizzato per creare farmaci a piccole molecole, che sono composti sintetizzati chimicamente di dimensioni inferiori a 1.500 dalton.
Biologics: i ricercatori possono anche generare molecole biologiche come anticorpi, enzimi o proteine per agire come farmaci. Ciò comporta l'isolamento o la sintesi di molecole da organismi viventi che possono interagire con il bersaglio. Rispetto alle piccole molecole, tali molecole sono tipicamente più grandi e più complesse.
Riutilizzo: gli scienziati possono dare un'occhiata ai composti che sono stati sviluppati per altri scopi e vedere se hanno un potenziale terapeutico per la malattia in questione.

Una volta trovato un potenziale farmaco candidato (chiamato composto guida), viene testato su cellule o animali, prima di passare a studi clinici che comprendono tre fasi, a partire da piccoli gruppi di volontari sani, per poi procedere a gruppi più ampi di pazienti affetti da la condizione specifica.

Come viene applicata l'IA

L'intelligenza artificiale copre varie tecnologie e approcci che implicano l'uso di sofisticati metodi computazionali per imitare elementi dell'intelligenza umana come la percezione visiva, il riconoscimento vocale, il processo decisionale e la comprensione del linguaggio.

L'intelligenza artificiale è iniziata negli anni '50 come una semplice serie di "se, allora regole" e si è fatta strada nel settore sanitario due decenni dopo, dopo lo sviluppo di algoritmi più complessi. Dall'avvento del deep learning negli anni 2000, le applicazioni di intelligenza artificiale nel settore sanitario si sono espanse. Alcune tecnologie di intelligenza artificiale stanno potenziando la progettazione di farmaci.

Apprendimento automatico

L'apprendimento automatico (ML) si concentra sull'addestramento degli algoritmi informatici per apprendere dai dati e migliorare le loro prestazioni, senza essere esplicitamente programmati per farlo.

Le soluzioni ML comprendono una vasta gamma di rami, ognuno con le proprie caratteristiche e metodologie uniche. Questi rami includono l'apprendimento supervisionato e non supervisionato, nonché l'apprendimento per rinforzo, e all'interno di ogni ramo ci sono varie tecniche algoritmiche che vengono utilizzate per raggiungere obiettivi specifici, come la regressione lineare, le reti neurali e le macchine vettoriali di supporto. Il machine learning ha molte diverse aree di applicazione, una delle quali è nel campo della scoperta di farmaci basati sull'intelligenza artificiale, dove consente quanto segue:

Screening virtuale di composti per identificare potenziali farmaci candidati
Modellazione predittiva dell'efficacia e della tossicità dei farmaci
Identificazione di nuovi target per lo sviluppo di farmaci
Analisi di dati genomici e proteomici su larga scala raccolti da organismi viventi (es. sequenze di DNA, livelli di espressione genica, strutture proteiche)
Ottimizzazione del dosaggio dei farmaci e dei regimi terapeutici
Modellazione predittiva delle risposte del paziente al trattamento

Apprendimento approfondito

Deep Learning (DL) è un sottoinsieme di ML basato sull'utilizzo di reti neurali artificiali (ANN). Le RNA sono costituite da nodi interconnessi, o "neuroni", che sono collegati da percorsi, chiamati "sinapsi". Come nel cervello umano, questi neuroni lavorano insieme per elaborare le informazioni e fare previsioni o decisioni. Più strati di neuroni interconnessi ha una rete neurale, più è "profonda".

A differenza degli algoritmi di apprendimento supervisionato e semi-supervisionato che possono identificare modelli solo nei dati strutturati, i modelli DL sono in grado di elaborare grandi volumi di dati non strutturati e possono fare previsioni più avanzate con poca supervisione da parte degli umani.

Nella scoperta di farmaci AI, DL viene utilizzato per:

miglioramento dello screening virtuale delle librerie di composti per identificare gli hit con una maggiore probabilità di legarsi a un target
profilazione basata su immagini per comprendere i fenotipi associati alla malattia, i meccanismi della malattia o la tossicità di un farmaco
Previsioni più accurate su come un farmaco verrà assorbito, distribuito, metabolizzato ed escreto dal corpo (proprietà farmacocinetiche)
predizione delle interazioni farmaco-bersaglio e affinità di legame
previsione della struttura delle proteine che rappresentano la maggior parte dei bersagli farmacologici attualmente identificati
generazione di nuovi composti simili a farmaci con le proprietà fisiche, chimiche e di bioattività desiderate
Automazione dei processi di sperimentazione clinica e progettazione del protocollo.

Elaborazione del linguaggio naturale

Il Natural Language Processing (NLP) si basa su una combinazione di tecniche linguistiche, matematiche e informatiche, compresi i modelli DL, per analizzare, comprendere e generare il linguaggio umano. La ricerca sulla scoperta di farmaci basati sull'intelligenza artificiale utilizza spesso la PNL per estrarre informazioni da dati sia strutturati che non strutturati per ottenere quanto segue:

Estrazione di testo dalla letteratura scientifica per identificare le associazioni tra entità chimiche/droga, i loro bersagli e nuovi percorsi correlati alle malattie
Estrazione di informazioni strutturate da cartelle cliniche elettroniche non strutturate (EHR), come dati demografici, diagnosi e farmaci dei pazienti
Identificazione di eventi avversi da farmaci analizzando dati di testo da social media, articoli di notizie e altre fonti
Determinazione dei criteri di ammissibilità della sperimentazione clinica sulla base dei protocolli e abbinamento dei pazienti alle sperimentazioni
Riepilogo delle informazioni sui farmaci

Perché la scoperta di droghe AI è ora il discorso della città

Negli ultimi due anni, le aziende di tutto il settore farmaceutico hanno adottato misure per incorporare l'intelligenza artificiale nei loro metodi di ricerca. Ciò include la creazione di team AI interni, l'assunzione di professionisti sanitari e analisti di dati AI, il supporto di startup con un focus AI e la collaborazione con aziende tecnologiche o centri di ricerca. Una combinazione di fattori sta guidando questa tendenza.

La crescente potenza dei computer e i nuovi sviluppi dell'IA

I recenti progressi tecnologici hanno spostato l'obiettivo tradizionale della ricerca sulla scoperta di farmaci basati sull'intelligenza artificiale.

Poiché la maggior parte delle aziende del settore (circa 150 nel 2022 secondo il BiopharmaTrend AI Report) continua a concentrarsi sulla progettazione di piccole molecole, facili da rappresentare computazionalmente e confrontare su larga scala, cresce anche l'interesse per le nuove applicazioni dell'IA nella scoperta della droga.

Molte aziende - 77 di loro - stanno iniziando ad abbracciare l'intelligenza artificiale per la progettazione di prodotti biologici e 55 di loro stanno scoprendo biomarcatori che indicano la presenza o la progressione di una malattia. Altri si concentrano sulla costruzione di piattaforme di scoperta di farmaci IA onnicomprensive, sull'identificazione di nuovi bersagli o sulla creazione di ontologie, rappresentazioni strutturate delle relazioni tra diverse entità, come composti chimici, proteine e malattie.

Ampliamento dell'accesso agli strumenti di intelligenza artificiale

Poiché la carenza di talenti nell'IA non mostra segni di cedimento, le barriere all'ingresso alla scoperta di farmaci per l'IA si sono effettivamente ridotte. I fornitori di tecnologia e i giganti farmaceutici stanno rilasciando piattaforme di intelligenza artificiale sempre più sofisticate, inclusi sistemi pronti all'uso senza codice e drag-and-drop che consentono agli esperti non di intelligenza artificiale di integrare l'intelligenza artificiale nelle loro ricerche. Questi sviluppi stanno svolgendo un ruolo importante nell'adozione accelerata dell'IA da parte del settore.

Storie di successo basate sull'intelligenza artificiale

I progetti di scoperta di farmaci basati sull'intelligenza artificiale perseguiti nel mondo accademico e nell'industria hanno già prodotto i primi risultati positivi lungo la catena del valore della scoperta di farmaci. Gli esempi includono quanto segue:

DeepMind ha costruito il sistema di intelligenza artificiale AlphaFold, che può prevedere la struttura 3D di una proteina dalla sua sequenza unidimensionale di amminoacidi in pochi secondi anziché nei mesi o negli anni che normalmente impiegherebbero. Il sistema è stato utilizzato per prevedere oltre 200 milioni di strutture proteiche appartenenti ad animali, piante, batteri, funghi e altri organismi.
I ricercatori dell'Università di Washington hanno sviluppato un modello di deep learning che utilizza computer da gioco per calcolare le strutture proteiche in 10 minuti.
Deep Genomics ha utilizzato le tecnologie di intelligenza artificiale per esaminare più di 2.400 malattie e 100.000 mutazioni per prevedere l'esatto meccanismo che causa la malattia in una mutazione della malattia di Wilson e creare un farmaco DG12P1 in 18 mesi.
Aladdin ha rilasciato una piattaforma proprietaria di scoperta di farmaci AI per uso commerciale in screening virtuale, hit-to-lead, ottimizzazione del lead e fase preclinica. Questa piattaforma ha aiutato Aladdin a identificare una serie di composti farmacologici per il potenziale trattamento delle malattie legate all'età.
IBM ha sviluppato il sistema Watson con capacità di calcolo cognitivo utilizzate dall'industria farmaceutica per abbinare i pazienti a studi clinici appropriati per la loro condizione. In uno studio clinico per il cancro al seno, la piattaforma ha dimostrato un aumento dell'80% nell'arruolamento e una riduzione dei tempi di abbinamento allo studio.
AbCellera ha impiegato meno di tre mesi per sviluppare un anticorpo monoclonale per neutralizzare le varianti virali di COVID-19 e ottenere l'approvazione dalla Food and Drug Administration (FDA) statunitense.
In diversi giorni, BenevolentAI ha combinato il suo grafico di conoscenza con gli strumenti di intelligenza artificiale per scoprire baricitinib come potenziale trattamento COVID-19.
BioXcel Therapeutics ha accelerato la scoperta della dexmedetomidina come sedativo per i pazienti affetti da schizofrenia e disturbi bipolari. L'azienda ha ottenuto l'approvazione della FDA per il suo film sublinguale proprietario di dexmedetomidina (IgalmiTM) in meno di quattro anni dopo i suoi primi studi sull'uomo.
Utilizzando l'intelligenza artificiale, Exscientia ha progettato tre piccole molecole per entrare negli studi clinici nell'arco di due anni. Le molecole sono destinate al trattamento della psicosi del morbo di Alzheimer, del disturbo ossessivo-compulsivo e dell'immuno-oncologia.
All'inizio del 2023, Insilico ha riportato risultati positivi di prima linea in uno studio clinico di fase 1 della prima nuova molecola progettata dall'IA per un nuovo bersaglio scoperto dall'IA per il trattamento della fibrosi polmonare idiopatica (IPF).
Nel 2021, 13 farmaci biologici derivati dall'intelligenza artificiale hanno raggiunto la fase clinica, con le loro aree terapeutiche tra cui COVID-19, oncologia e neurologia.

Vantaggi e sfide nella scoperta di droghe AI

L'intelligenza artificiale è uno strumento potente che promette di rivoluzionare l'industria farmaceutica. Con la sua capacità di analizzare grandi quantità di dati e fare previsioni, l'intelligenza artificiale può aiutare i ricercatori a superare gli ostacoli che hanno a lungo ostacolato il processo di scoperta di farmaci consentendo:

tempi ridotti per la scoperta e le fasi precliniche
previsioni più accurate sull'efficacia e la sicurezza dei farmaci
nuove, impreviste intuizioni sugli effetti e le malattie dei farmaci
nuove linee di ricerca e nuove strategie di R&S
risparmi sui costi grazie ad analisi e automazione più rapide.

Secondo Insider Intelligence, l'intelligenza artificiale può far risparmiare all'industria farmaceutica fino al 70% dei costi di scoperta dei farmaci. Il potenziale dell'intelligenza artificiale nella scoperta di farmaci è davvero entusiasmante, ma ci sono alcuni ostacoli che devono essere affrontati prima per sfruttarlo al meglio.

Dati

Quando si tratta di intelligenza artificiale, si tratta sempre di inserire i dati. I silos di dati e i sistemi legacy che non ne consentono il consolidamento sono grandi ostacoli alla ricerca sull'IA in qualsiasi dominio. Nell'industria farmaceutica, il problema potrebbe essere ancora più pronunciato.

Le aziende farmaceutiche sono tradizionalmente pessime nella condivisione dei dati, sia che si tratti di risultati di studi clinici o di informazioni anonime sui pazienti, mentre i dati raccolti in loro possesso possono fornire risposte a domande che i ricercatori originali non hanno mai preso in considerazione.

Quando alla fine si tratta di condividere i dati, spesso sono incompleti, incoerenti o distorti, come nel caso dei set di dati utilizzati per prevedere le affinità di legame proteina-ligando che sono cruciali per la scoperta di nuovi farmaci. In alcuni casi, i dati potrebbero non riflettere nemmeno intere popolazioni e i modelli di intelligenza artificiale potrebbero non essere all'altezza degli scenari del mondo reale.

Complessità

L'assoluta complessità dei sistemi biologici rende difficile l'analisi abilitata dall'intelligenza artificiale e le previsioni del tempo e dei cambiamenti spaziali nel comportamento di tali sistemi.

Esiste un vasto numero di interazioni complesse e dinamiche all'interno dei sistemi biologici in cui ogni elemento come proteine, geni e cellule può avere molteplici funzioni ed essere influenzato da molteplici fattori, tra cui variazioni genetiche, condizioni ambientali e stati patologici.

Le interazioni tra diversi elementi possono anche essere non lineari, il che significa che piccoli cambiamenti in un elemento possono portare a grandi cambiamenti nel sistema complessivo. Ad esempio, un singolo gene che controlla la divisione cellulare può avere un grande impatto sulla crescita di un tumore, oppure le interazioni tra più proteine possono portare allo sviluppo di strutture altamente specifiche e complesse, come il citoscheletro di una cellula.

Un'altra sfida è la mancanza di personale qualificato per gestire gli strumenti di scoperta di farmaci basati sull'intelligenza artificiale.

Interpretabilità

L'uso delle reti neurali nella scoperta di farmaci basati sull'intelligenza artificiale ha spinto i confini di ciò che è possibile, ma la mancanza della loro interpretabilità pone una sfida significativa. Definiti scatole nere, tali modelli di intelligenza artificiale potrebbero produrre le previsioni più accurate possibili, ma nemmeno gli ingegneri sono in grado di spiegarne il ragionamento. Ciò è particolarmente impegnativo nel deep learning, in cui la complessità della comprensione dell'output di ogni livello aumenta con l'aumentare del numero di livelli.

Questa mancanza di trasparenza può portare a soluzioni imperfette e ridurre la fiducia nell'intelligenza artificiale tra ricercatori, professionisti medici e organismi di regolamentazione. Per affrontare questa sfida, c'è una crescente necessità di sviluppare un'IA affidabile e spiegabile.

Avvolgendo

Continuano a emergere nuovi farmaci che stanno cambiando il gioco per i pazienti.

Solo 15 anni dopo che l'HIV è stato identificato come causa dell'AIDS negli anni '80, l'industria farmaceutica ha sviluppato una terapia multifarmaco che consente alle persone colpite dal virus di vivere una vita normale. Il Gleevec di Novartis prolunga la vita dei malati di leucemia. Incivek di Vertex Pharmaceuticals ha raddoppiato i tassi di guarigione dell'epatite C. Keytruda di Merck riduce del 35% il rischio di recidiva del cancro nei pazienti con melanoma dopo l'intervento chirurgico.

Ma non tutti i nuovi farmaci sono uguali. Una recente analisi di oltre 200 nuovi farmaci condotta in Germania ha rivelato che solo il 25% ha fornito vantaggi significativi rispetto ai trattamenti esistenti. I restanti farmaci hanno prodotto benefici minimi o nulli, oppure il loro impatto era incerto.

Data la natura costosa e dispendiosa in termini di tempo della scoperta di farmaci, è chiaro che l'industria farmaceutica ha bisogno di grandi cambiamenti. Ed è qui che la scoperta di farmaci basati sull'intelligenza artificiale potrebbe svolgere un ruolo. Ci sono tutte le possibilità che l'IA possa apportare contributi trasformativi oltre all'accelerazione dei tassi di time-to-clinic.

Stai pensando al tuo progetto di scoperta di farmaci basati sull'intelligenza artificiale? Scrivici. Con anni di esperienza nella creazione di soluzioni AI per l'assistenza sanitaria, siamo il partner di cui hai bisogno.

Originariamente pubblicato su https://itrexgroup.com il 27 gennaio 2023.