AI Drug Discovery: jak to zmienia grę

Opublikowany: 2023-01-31

Odkrywanie leków AI eksploduje.

Przereklamowane czy nie, inwestycje w odkrywanie leków AI skoczyły z 450 milionów dolarów w 2014 roku do 58 miliardów dolarów w 2021 roku. Wszyscy giganci farmaceutyczni, w tym Bayer, AstraZeneca, Takeda, Sanofi, Merck i Pfizer, zwiększyli wydatki w nadziei na stworzenie rozwiązania AI nowej ery, które zapewnią efektywność kosztową, szybkość i precyzję w procesie odkrywania leków.

Odkrywanie tradycyjnych leków od dawna jest niezwykle trudne. Wprowadzenie nowego leku na rynek zajmuje co najmniej 10 lat i może kosztować 1,3 miliarda dolarów. Dzieje się tak tylko w przypadku leków, które odnoszą sukces w badaniach klinicznych (tylko jeden na dziesięć). Stąd zainteresowanie poszukiwaniem nowych sposobów odkrywania i projektowania leków.

Sztuczna inteligencja pomogła już zidentyfikować obiecujące kandydujące leki i nie zajęło to lat, ale tylko miesiące – aw niektórych przypadkach zaledwie dni. W tym artykule przyjrzymy się, jak odkrywanie leków przez sztuczną inteligencję zmienia branżę. Przyjrzymy się historiom sukcesu i zaletom sztucznej inteligencji, a także jej ograniczeniom. Chodźmy.

Jak narkotyki są odkrywane

Proces odkrywania leku zwykle rozpoczyna się od zidentyfikowania przez naukowców celu w organizmie, takiego jak określone białko lub hormon, który bierze udział w rozwoju choroby. Następnie używają różnych metod, aby znaleźć możliwe leczenie, które obejmuje następujące metody.

  1. Przeszukiwanie istniejących związków: Naukowcy mogą przeszukiwać biblioteki związków (produktów naturalnych lub chemikaliów), które już stworzyli, aby sprawdzić, czy którykolwiek z nich ma pożądaną interakcję z celem.
  2. Projektowanie leków de novo: Naukowcy mogą wykorzystywać modelowanie komputerowe i symulacje do opracowywania nowych związków chemicznych, które mogą wykonać to zadanie. To podejście jest wykorzystywane do tworzenia leków małocząsteczkowych, które są chemicznie syntetyzowanymi związkami o masie mniejszej niż 1500 daltonów.
  3. Biologia: Naukowcy mogą również generować cząsteczki biologiczne, takie jak przeciwciała, enzymy lub białka, które działają jak leki. Obejmuje to izolowanie lub syntezę cząsteczek z żywych organizmów, które mogą wchodzić w interakcje z celem. W porównaniu z małymi cząsteczkami, takie cząsteczki są zazwyczaj większe i bardziej złożone.
  4. Zmiana przeznaczenia: Naukowcy mogą przyjrzeć się związkom, które zostały opracowane do innych celów i sprawdzić, czy mają one potencjał terapeutyczny w przypadku danej choroby.

Po znalezieniu potencjalnego kandydata na lek (zwanego związkiem wiodącym) jest on testowany na komórkach lub zwierzętach, przed przejściem do badań klinicznych, które obejmują trzy fazy, zaczynając od małych grup zdrowych ochotników, a następnie przechodząc do większych grup pacjentów cierpiących na konkretny warunek.

Jak stosowana jest sztuczna inteligencja

Sztuczna inteligencja obejmuje różne technologie i podejścia, które obejmują stosowanie wyrafinowanych metod obliczeniowych w celu naśladowania elementów ludzkiej inteligencji, takich jak percepcja wzrokowa, rozpoznawanie mowy, podejmowanie decyzji i rozumienie języka.

Sztuczna inteligencja rozpoczęła się w latach pięćdziesiątych XX wieku jako prosta seria zasad „jeśli, to” i trafiła do służby zdrowia dwie dekady później, po opracowaniu bardziej złożonych algorytmów. Od czasu pojawienia się głębokiego uczenia się w 2000 roku, zastosowania sztucznej inteligencji w opiece zdrowotnej znacznie się rozszerzyły. Kilka technologii sztucznej inteligencji umożliwia projektowanie leków.

Nauczanie maszynowe

Uczenie maszynowe (ML) koncentruje się na szkoleniu algorytmów komputerowych, aby uczyły się na danych i poprawiały ich wydajność, bez wyraźnego programowania w tym celu.

Rozwiązania ML obejmują różnorodne gałęzie, z których każda ma swoje unikalne cechy i metodologie. Gałęzie te obejmują uczenie nadzorowane i nienadzorowane, a także uczenie się przez wzmacnianie, aw każdej gałęzi istnieją różne techniki algorytmiczne, które są wykorzystywane do osiągnięcia określonych celów, takich jak regresja liniowa, sieci neuronowe i maszyny wektorów nośnych. ML ma wiele różnych obszarów zastosowań, z których jeden dotyczy odkrywania leków AI, gdzie umożliwia:

  • Wirtualne badanie przesiewowe związków w celu identyfikacji potencjalnych kandydatów na leki
  • Predykcyjne modelowanie skuteczności i toksyczności leków
  • Identyfikacja nowych celów dla rozwoju leków
  • Analiza wielkoskalowych danych genomicznych i proteomicznych zebranych z organizmów żywych (np. sekwencje DNA, poziomy ekspresji genów, struktury białek)
  • Optymalizacja dawkowania leków i schematów leczenia
  • Predykcyjne modelowanie odpowiedzi pacjentów na leczenie

Głęboka nauka

Deep Learning (DL) to podzbiór ML oparty na wykorzystaniu sztucznych sieci neuronowych (SSN). Sieci SSN składają się z połączonych ze sobą węzłów lub „neuronów”, które są połączone ścieżkami zwanymi „synapsami”. Podobnie jak w ludzkim mózgu, neurony te współpracują ze sobą w celu przetwarzania informacji i przewidywania lub podejmowania decyzji. Im więcej warstw połączonych ze sobą neuronów ma sieć neuronowa, tym jest ona „głębsza”.

W przeciwieństwie do algorytmów uczenia nadzorowanego i częściowo nadzorowanego, które mogą identyfikować wzorce tylko w danych strukturalnych, modele DL są w stanie przetwarzać ogromne ilości danych nieustrukturyzowanych i mogą tworzyć bardziej zaawansowane prognozy przy niewielkim nadzorze ze strony ludzi.

W odkrywaniu leków AI DL jest używany do:

  • ulepszone wirtualne przeszukiwanie bibliotek związków w celu identyfikacji trafień z większym prawdopodobieństwem wiązania się z celem
  • profilowanie oparte na obrazie w celu zrozumienia fenotypów związanych z chorobą, mechanizmów choroby lub toksyczności leku
  • Dokładniejsze przewidywania, w jaki sposób lek będzie wchłaniany, rozprowadzany, metabolizowany i wydalany z organizmu (właściwości farmakokinetyczne)
  • przewidywanie interakcji lek-cel i powinowactwa wiązania
  • przewidywanie struktury białek, które odpowiadają za większość obecnie zidentyfikowanych celów leków
  • wytwarzanie nowych związków podobnych do leków o pożądanych właściwościach fizycznych, chemicznych i bioaktywności
  • Automatyzacja procesów badań klinicznych i projektowania protokołów.

Przetwarzanie języka naturalnego

Przetwarzanie języka naturalnego (NLP) opiera się na połączeniu technik z lingwistyki, matematyki i informatyki, w tym modeli DL, w celu analizy, zrozumienia i generowania ludzkiego języka. Badania nad narkotykami AI często wykorzystują NLP do wydobywania informacji zarówno z danych ustrukturyzowanych, jak i nieustrukturyzowanych, aby osiągnąć następujące cele:

  1. Eksploracja tekstu literatury naukowej w celu zidentyfikowania powiązań między jednostkami chemicznymi / lekami, ich celami i nowymi szlakami związanymi z chorobą
  2. Wydobywanie ustrukturyzowanych informacji z nieustrukturyzowanych elektronicznych kart zdrowia (EHR), takich jak dane demograficzne pacjentów, diagnozy i leki
  3. Identyfikacja działań niepożądanych leków poprzez analizę danych tekstowych z mediów społecznościowych, artykułów prasowych i innych źródeł
  4. Określenie kryteriów kwalifikacji do badań klinicznych na podstawie protokołów i dopasowanie pacjentów do badań
  5. Podsumowanie informacji o lekach

Dlaczego odkrywanie leków AI jest teraz tematem rozmów w mieście

W ciągu ostatnich kilku lat firmy z sektora farmaceutycznego podjęły kroki w celu włączenia sztucznej inteligencji do swoich metod badawczych. Obejmuje to budowanie wewnętrznych zespołów AI, zatrudnianie pracowników służby zdrowia AI i analityków danych, wspieranie start-upów z naciskiem na AI oraz współpracę z firmami technologicznymi lub ośrodkami badawczymi. Ten trend jest napędzany przez kombinację czynników.

Rosnąca moc komputerów i nowe rozwiązania AI

Ostatnie postępy technologiczne zmieniły tradycyjny punkt ciężkości badań nad odkrywaniem leków opartych na sztucznej inteligencji.

Ponieważ większość firm z sektora (około 150 w 2022 r. według raportu BiopharmaTrend AI) nadal koncentruje się na projektowaniu małych cząsteczek, które można łatwo przedstawić obliczeniowo i porównać w skali, rośnie również zainteresowanie nowymi zastosowaniami sztucznej inteligencji w odkrywaniu leków.

Wiele firm – w tym 77 – zaczyna wykorzystywać sztuczną inteligencję do projektowania leków biologicznych, a 55 z nich odkrywa biomarkery wskazujące na obecność lub postęp choroby. Inne koncentrują się na budowaniu wszechstronnych platform AI do odkrywania leków, identyfikowaniu nowych celów lub tworzeniu ontologii – ustrukturyzowanych reprezentacji relacji między różnymi jednostkami, takimi jak związki chemiczne, białka i choroby.

Poszerzanie dostępu do narzędzi sztucznej inteligencji

Ponieważ brak talentów w zakresie sztucznej inteligencji nie wykazuje oznak zmniejszania się, bariery wejścia w odkrywanie leków opartych na sztucznej inteligencji faktycznie się zmniejszyły. Dostawcy technologii i giganci farmaceutyczni udostępniają coraz bardziej wyrafinowane platformy sztucznej inteligencji, w tym gotowe do użycia systemy bez kodu i typu „przeciągnij i upuść”, które umożliwiają ekspertom niezwiązanym ze sztuczną inteligencją zintegrowanie sztucznej inteligencji z ich badaniami. Zmiany te odgrywają ważną rolę w przyspieszonym przyjmowaniu sztucznej inteligencji przez przemysł.

Historie sukcesu oparte na sztucznej inteligencji

Projekty odkrywania leków oparte na sztucznej inteligencji realizowane w środowisku akademickim i przemyśle przyniosły już pierwsze pomyślne wyniki w całym łańcuchu wartości odkrywania leków. Przykłady obejmują:

  • DeepMind zbudował system AI AlphaFold, który może przewidzieć trójwymiarową strukturę białka na podstawie jego jednowymiarowej sekwencji aminokwasów w ciągu kilku sekund, a nie w miesiącach lub latach, jak normalnie zajęłoby to. System został wykorzystany do przewidywania ponad 200 milionów struktur białkowych należących do zwierząt, roślin, bakterii, grzybów i innych organizmów.
  • Naukowcy z University of Washington opracowali model głębokiego uczenia się, który wykorzystuje komputery do gier do obliczania struktur białek w ciągu 10 minut.
  • Firma Deep Genomics wykorzystała technologie sztucznej inteligencji do przeszukania ponad 2400 chorób i 100 000 mutacji w celu przewidzenia dokładnego mechanizmu wywołującego chorobę w mutacji choroby Wilsona i stworzenia leku DG12P1 w ciągu 18 miesięcy.
  • Aladdin wydał zastrzeżoną platformę do odkrywania leków AI do użytku komercyjnego w wirtualnych badaniach przesiewowych, hit-to-lead, optymalizacji leadów i fazie przedklinicznej. Ta platforma pomogła firmie Aladdin zidentyfikować szereg związków leczniczych do potencjalnego leczenia chorób związanych z wiekiem.
  • Firma IBM opracowała system Watson z funkcjami obliczeń kognitywnych, które są wykorzystywane przez przemysł farmaceutyczny do dopasowywania pacjentów do badań klinicznych odpowiednich dla ich stanu. W badaniu klinicznym dotyczącym raka piersi platforma wykazała wzrost liczby zapisów o 80% i skrócenie czasu dopasowania badania.
  • AbCellera potrzebowała mniej niż trzy miesiące, aby opracować przeciwciało monoklonalne do neutralizacji wirusowych wariantów COVID-19 i uzyskać zgodę amerykańskiej Agencji ds. Żywności i Leków (FDA).
  • W ciągu kilku dni BenevolentAI połączył swój wykres wiedzy z narzędziami sztucznej inteligencji, aby odkryć baricitinib jako potencjalne leczenie COVID-19.
  • BioXcel Therapeutics przyspieszył odkrycie deksmedetomidyny jako środka uspokajającego dla pacjentów ze schizofrenią i zaburzeniami afektywnymi dwubiegunowymi. Firma uzyskała zgodę FDA na swój zastrzeżony film podjęzykowy z deksmedetomidyną (IgalmiTM) w mniej niż cztery lata po pierwszych badaniach na ludziach.
  • Wykorzystując sztuczną inteligencję, Exscientia zaprojektowała trzy małe cząsteczki, które mają wejść do badań klinicznych w ciągu dwóch lat. Cząsteczki są przeznaczone do leczenia psychozy choroby Alzheimera, zaburzenia obsesyjno-kompulsyjnego i immunoonkologii.
  • Na początku 2023 r. firma Insilico poinformowała o pozytywnych wynikach pierwszej fazy badania klinicznego pierwszej nowej cząsteczki zaprojektowanej przez sztuczną inteligencję dla odkrytego przez sztuczną inteligencję nowego celu w leczeniu idiopatycznego włóknienia płuc (IPF).
  • W 2021 roku 13 leków biologicznych pochodzących z AI osiągnęło etap kliniczny, a ich obszary terapii obejmowały COVID-19, onkologię i neurologię.

Korzyści i wyzwania związane z odkrywaniem leków AI

Sztuczna inteligencja to potężne narzędzie, które może zrewolucjonizować przemysł farmaceutyczny. Dzięki zdolności do analizowania ogromnych ilości danych i przewidywania, sztuczna inteligencja może pomóc naukowcom pokonać przeszkody, które od dawna utrudniają proces odkrywania leków, umożliwiając:

  • skrócone ramy czasowe dla etapów odkrycia i przedklinicznych
  • dokładniejsze prognozy dotyczące skuteczności i bezpieczeństwa leków
  • nowe, nieoczekiwane spostrzeżenia na temat skutków leków i chorób
  • nowe linie badawcze i nowe strategie badawczo-rozwojowe
  • oszczędności kosztów dzięki szybszej analizie i automatyzacji.

Według Insider Intelligence sztuczna inteligencja może zaoszczędzić branży farmaceutycznej do 70% kosztów odkrywania leków. Potencjał sztucznej inteligencji w odkrywaniu leków jest naprawdę ekscytujący, ale istnieje kilka przeszkód, z którymi należy się najpierw uporać, aby w pełni go wykorzystać.

Dane

Jeśli chodzi o sztuczną inteligencję, zawsze sprowadza się to do danych wejściowych. Silosy danych i starsze systemy, które nie pozwalają na ich konsolidację, stanowią duże przeszkody w badaniach nad sztuczną inteligencją w dowolnej dziedzinie. W przemyśle farmaceutycznym problem może być jeszcze bardziej wyraźny.

Firmy farmaceutyczne tradycyjnie nie radziły sobie z udostępnianiem danych, czy to wynikających z badań klinicznych, czy danych pacjentów pozbawionych elementów umożliwiających identyfikację, podczas gdy zgromadzone przez nie dane mogą dostarczyć odpowiedzi na pytania, których pierwotni badacze nigdy nie rozważali.

Jeśli ostatecznie dochodzi do udostępniania danych, często są one niekompletne, niespójne lub stronnicze, jak ma to miejsce w przypadku zestawów danych używanych do przewidywania powinowactwa wiązania białko-ligand, które są kluczowe dla odkrywania leków. W niektórych przypadkach dane mogą nawet nie odzwierciedlać całych populacji, a modele AI mogą nie sprawdzać się w rzeczywistych scenariuszach.

Złożoność

Sama złożoność systemów biologicznych utrudnia analizę i przewidywanie czasowych i przestrzennych zmian w zachowaniu takich systemów za pomocą sztucznej inteligencji.

Istnieje ogromna liczba złożonych i dynamicznych interakcji w systemach biologicznych, w których każdy element, taki jak białka, geny i komórki, może pełnić wiele funkcji i podlegać wpływowi wielu czynników, w tym zmian genetycznych, warunków środowiskowych i stanów chorobowych.

Interakcje między różnymi elementami mogą być również nieliniowe, co oznacza, że ​​niewielkie zmiany w jednym elemencie mogą prowadzić do dużych zmian w całym systemie. Na przykład pojedynczy gen, który kontroluje podział komórki, może mieć duży wpływ na wzrost guza, a interakcje między wieloma białkami mogą prowadzić do rozwoju wysoce specyficznych i złożonych struktur, takich jak cytoszkielet komórki.

Kolejnym wyzwaniem jest brak wykwalifikowanego personelu do obsługi narzędzi AI do odkrywania leków.

Interpretowalność

Wykorzystanie sieci neuronowych w odkrywaniu leków AI przesunęło granice tego, co jest możliwe, ale brak ich interpretacji stanowi poważne wyzwanie. Nazywane czarnymi skrzynkami, takie modele sztucznej inteligencji mogą generować najdokładniejsze możliwe prognozy, ale nawet inżynierowie nie potrafią wyjaśnić ich uzasadnienia. Jest to szczególnie trudne w głębokim uczeniu się, gdzie złożoność zrozumienia danych wyjściowych każdej warstwy rośnie wraz ze wzrostem liczby warstw.

Ten brak przejrzystości może prowadzić do wadliwych rozwiązań i zmniejszać zaufanie do sztucznej inteligencji wśród badaczy, lekarzy i organów regulacyjnych. Aby sprostać temu wyzwaniu, rośnie potrzeba opracowania zrozumiałej, godnej zaufania sztucznej inteligencji.

Podsumowanie

Wciąż pojawiają się nowe leki, które zmieniają reguły gry dla pacjentów.

Zaledwie 15 lat po tym, jak HIV został zidentyfikowany jako przyczyna AIDS w latach 80., przemysł farmaceutyczny opracował wielolekową terapię, która pozwala ludziom dotkniętym wirusem żyć normalnie. Gleevec firmy Novartis przedłuża życie pacjentów z białaczką. Incivek z Vertex Pharmaceuticals podwoił wskaźniki wyleczeń wirusowego zapalenia wątroby typu C. Keytruda firmy Merck zmniejsza ryzyko nawrotu raka u pacjentów z czerniakiem po operacji o 35%.

Ale nie wszystkie nowe leki są sobie równe. Niedawna analiza ponad 200 nowych leków przeprowadzona w Niemczech wykazała, że ​​tylko 25% zapewniało znaczną przewagę nad istniejącymi metodami leczenia. Pozostałe leki przyniosły minimalne lub żadne korzyści lub ich wpływ był niepewny.

Biorąc pod uwagę kosztowny i czasochłonny charakter odkrywania leków, jasne jest, że przemysł farmaceutyczny potrzebuje poważnych zmian. I właśnie tam odkrycie leków AI może odegrać pewną rolę. Istnieje wszelkie prawdopodobieństwo, że sztuczna inteligencja może wnieść wkład w transformację wykraczający poza przyspieszenie czasu do przybycia do kliniki.

Myślisz o własnym projekcie odkrywania leków AI? Napisz do nas. Dzięki wieloletniemu doświadczeniu w tworzeniu rozwiązań AI dla służby zdrowia jesteśmy partnerem, którego potrzebujesz.

Pierwotnie opublikowane na stronie https://itrexgroup.com 27 stycznia 2023 r.