Dekódování jazyka molekul: Jak generativní umělá inteligence urychluje objevování léků

Jak se generativní umělá inteligence vyvíjí, přesahuje hranice lidského jazyka a začíná ovládat složitý jazyk biologie a chemie. Myslete si na DNA jako na podrobný scénář, 3miliardový sekvenci písmen, který řídí funkce a růst našeho těla. Podobně, proteiny, základní složky života, mají svůj vlastní jazyk, včetně abecedy 20 aminokyselin. V chemii mají molekuly také svůj vlastní dialekt, podobný konstrukci slov, vět nebo odstavců pomocí gramatických pravidel. Molekulární gramatika určuje, jak se atomy a substrukturní prvky kombinují, aby vytvořily molekuly nebo polymery. Stejně jako jazyková gramatika definuje strukturu vět, molekulární gramatika popisuje strukturu molekul.

Jak generativní umělá inteligence, jako jsou velké jazykové modely (LLM), prokázala svou schopnost dekódovat jazyk molekul, objevují se nové cesty pro efektivní objevování léků. Několik farmaceutických společností využívá tuto technologii, aby poháněla inovace ve vývoji léků. Institut McKinsey Global (MGI) odhaduje, že generativní umělá inteligence by mohla vytvořit $60 miliard až $110 miliard ročně v ekonomické hodnotě pro farmaceutický průmysl. Tento potenciál je především způsoben její schopností zvýšit produktivitu urychlením identifikace potenciálních nových lékových sloučenin a urychlením jejich vývoje a schvalovacích procesů. Tento článek zkoumá, jak generativní umělá inteligence mění farmaceutický průmysl, a to tak, že působí jako katalyzátor pro rychlý pokrok v objevování léků. Avšak aby bylo možné ocenit dopad generativní umělé inteligence, je nezbytné pochopit tradiční proces objevování léků a jeho vrozené limity a výzvy.

Výzvy tradičního objevování léků

Tradiční proces objevování léků je mnohastupňový proces, často časově náročný a vyžadující mnoho zdrojů. Začíná identifikací cílů, kde vědci identifikují biologické cíle zapojené do onemocnění, jako jsou proteiny nebo geny. Tento krok vede k validaci cílů, která potvrzuje, že manipulace s cílem bude mít terapeutické účinky. Následně výzkumníci identifikují potenciální lékové sloučeniny, které mohou interagovat s cílem. Jakmile jsou identifikovány, tyto sloučeniny procházejí optimalizací, aby se zlepšily jejich chemické vlastnosti a minimalizovaly nežádoucí účinky. Předklinické testy poté hodnotí bezpečnost a účinnost těchto sloučenin in vitro (v zkumavkách) a in vivo (v animálních modelech). Sloučeniny s velkým potenciálem jsou poté testovány ve třech fázích klinických studií, aby se zhodnotila jejich bezpečnost a účinnost u lidí. Nakonec úspěšné sloučeniny musí získat regulační schválení, než budou uvedeny na trh a předepsány.

Přes svou komplexnost má tradiční proces objevování léků několik limitů a výzev. Je známý tím, že je časově náročný a nákladný, často trvá více než deset let a stojí miliardy dolarů, s vysokými selháními, zejména ve fázích klinických studií. Složitost biologických systémů dále komplikuje proces, což činí obtížným předpovědět, jak lék bude fungovat u lidí. Kromě toho může intenzivní screening prozkoumat pouze omezenou frakci možných chemických sloučenin, což vede k tomu, že mnoho potenciálních léků zůstane nedozíraných. Vysoké míry selhání také znesnadňují proces, kdy mnoho lékových kandidátů selhává ve fázi pozdního vývoje, což vede ke zbytečným nákladům a času. Kromě toho každý stupeň objevování léků vyžaduje významnou lidskou intervenci a odborné znalosti, což může zpomalit pokrok.

Jak generativní umělá inteligence mění objevování léků

Generativní umělá inteligence řeší tyto výzvy automatizací různých stupňů procesu objevování léků. Zrychluje identifikaci a validaci cílů rychlejším analýzou velkých množství biologických dat, aby přesněji identifikoval a validoval potenciální lékové cíle. Ve fázi objevování lékových sloučenin mohou algoritmy umělé inteligence předpovědět a vygenerovat nové chemické struktury, které pravděpodobně interagují účinně s cílem. Schopnost generativní umělé inteligence prozkoumat velké množství možností činí proces chemického objevování vysoce efektivní. Generativní umělá inteligence také zlepšuje optimalizaci lékových sloučenin simulací a předpovědí účinků chemických modifikací na sloučeniny. Například NVIDIA (NVDA ) spolupracovala s Recursion Pharmaceuticals (RXRX ), aby prozkoumala více než 2,8 kvadrilionu kombinací malých molekul a cílů za pouhý týden. Tento proces by mohl trvat přibližně 100 000 let, kdyby se používaly tradiční metody. Automatizací těchto procesů generativní umělá inteligence významně snižuje čas a náklady potřebné k uvedení nového léku na trh.

Kromě toho generativní umělá inteligence zvyšuje přesnost předklinických testů identifikací potenciálních problémů dříve v procesu, což pomáhá snižovat míru selhání. Technologie umělé inteligence také automatizují mnoho časově náročných úkolů, umožňují výzkumníkům soustředit se na strategická rozhodnutí a škálovat proces objevování léků.

Případová studie: První objev léku pomocí generativní umělé inteligence Insilico Medicine

Biotechnologická společnost Insilico Medicine využila generativní umělou inteligenci k vývoji prvního léku pro idiopatickou plicní fibrózu (IPF), vzácné plicní onemocnění charakterizované chronickým jizvením, které vede k nezvratnému poklesu plicní funkce. Aplikací generativní umělé inteligence na omické a klinické datové sady související s tkáňovou fibrózou společnost Insilico úspěšně předpověděla tkáňově specifické cíle fibrózy. Použitím této technologie společnost navrhla malou molekulární inhibitor, INS018_055, který ukázal potenciál proti fibróze a zánětu.

V červnu 2023 společnost Insilico aplikovala první dávku INS018_055 pacientům ve fázi II klinické studie. Objev tohoto léku představoval historický okamžik, protože se stal prvním anti-fibrotickým inhibitorem malé molekuly, který byl objeven a navržen pomocí generativní umělé inteligence.

Úspěch INS018_055 potvrzuje efektivitu generativní umělé inteligence v urychlování objevování léků a zdůrazňuje její potenciál pro řešení složitých onemocnění.

Hallucinace v generativní umělé inteligenci pro objevování léků

Jak generativní umělá inteligence pokrokuje v objevování léků umožněním tvorby nových molekul, je důležité být si vědom jedné významné výzvy, se kterou tyto modely mohou čelit. Generativní modely jsou náchylné k jevu známému jako hallucinace. V kontextu objevování léků se hallucinace týká tvorby molekul, které na povrchu vypadají platně, ale postrádají skutečnou biologickou relevanci nebo praktickou využitelnost. Tento jev představuje několik dilemat.

Jedním z hlavních problémů je chemická nestabilita. Generativní modely mohou produkovat molekuly s teoreticky výhodnými vlastnostmi, ale tyto sloučeniny mohou být chemicky nestabilní nebo náchylné k degradaci. Takové “hallucinované” molekuly mohou selhat během syntézy nebo vykazovat neočekávané chování v biologických systémech.

Kromě toho molekuly vytvořené hallucinací často postrádají biologickou relevanci. Mohou se hodit k chemickým cílům, ale selhávají v interakci smysluplně s biologickými cíli, což je činí neúčinnými jako léky. I když molekula vypadá slibně, její syntéza může být prohibitivně složitá nebo nákladná, protože hallucinace nezohledňuje praktické syntetické cesty.

Validační mezera dále komplikuje problém. Zatímco generativní modely mohou navrhnout řadu kandidátů, přísné experimentální testování a validace jsou nezbytné k potvrzení jejich užitku. Tento krok je nezbytný pro most mezi teoretickým potenciálem a praktickou aplikací.

Různé strategie lze použít k zmírnění hallucinací. Hybridní přístupy kombinující generativní umělou inteligenci s fyzikálně založeným modelováním nebo znalostními metodami mohou pomoci filtrovat molekuly vytvořené hallucinací. Adversní trénink, kde modely učí rozlišovat mezi přírodními a hallucinovanými sloučeninami, může také zlepšit kvalitu generovaných molekul. Zapojením chemiků a biologů do iterativního procesu návrhu lze také snížit účinek hallucinace.

Řešením výzvy hallucinace může generativní umělá inteligence dále rozvinout svůj potenciál v urychlování objevování léků, což činí proces efektivnějším a účinnějším při vývoji nových, životaschopných léků.

Závěr

Generativní umělá inteligence mění farmaceutický průmysl urychlováním objevování léků a snižováním nákladů. Přestože existují výzvy, jako je hallucinace, kombinace umělé inteligence s tradičními metodami a lidským odborným znalostem pomáhá vytvářet přesnější a životaschopnější sloučeniny. Insilico Medicine demonstruje, že generativní umělá inteligence má potenciál řešit složitá onemocnění a přinášet nové léčby na trh efektivněji. Budoucnost objevování léků se stává slibnější, s generativní umělou inteligencí pohánějící inovace.