Dekódování jazyka molekul: Jak generativní AI urychluje objevování léků

Jak se generativní AI vyvíjí, přesahuje hranice rozluštění lidského jazyka a ovládá složitý jazyk biologie a chemie. Představte si si DNA jako podrobný scénář, 3-miliardový sekvenci, která řídí funkce a růst našeho těla. Podobně, proteiny, základní složky života, mají svůj jazyk, včetně abecedy z 20 aminokyselin. V chemii mají molekuly jedinečný dialekt, jako konstrukce slov, vět nebo odstavců pomocí gramatických pravidel. Molekulární gramatika určuje, jak se atomy a substruktury spojují, aby vytvořily molekuly nebo polymery. Stejně jako gramatika jazyka definuje strukturu vět, molekulární gramatika popisuje strukturu molekul.

Jak generativní AI, jako velké jazykové modely (LLM), prokazuje svou schopnost dekódovat jazyk molekul, objevují se nové cesty pro efektivní objevování léků. Několik farmaceutických společností stále více využívá tuto technologii k pohánění inovací ve vývoji léků. McKinsey Global Institute (MGI) odhaduje, že generativní AI může vytvořit $60 miliard až $110 miliard ročně v ekonomické hodnotě pro farmaceutický průmysl. Tento potenciál je primárně způsoben jeho schopností zlepšit produktivitu urychlením identifikace potenciálních nových sloučenin a urychlením jejich vývoje a schvalovacích procesů. Tento článek zkoumá, jak generativní AI mění farmaceutický průmysl, působí jako katalyzátor pro rychlý pokrok v objevování léků. Avšak aby se ocenila dopad generativní AI, je esenciální pochopit tradiční proces objevování léků a jeho vrozené omezení a výzvy.

Výzvy tradičního objevování léků

Tradiční proces objevování léků je mnohastupňový proces, často časově náročný a zdrojově náročný. Začíná identifikací cíle, kde vědci určí biologické cíle zapojené do nemoci, jako jsou proteiny nebo geny. Tento krok vede k validaci cíle, která potvrzuje, že manipulace s cílem bude mít terapeutické účinky. Dalšími kroky jsou identifikace vedoucí sloučeniny, kde se hledají potenciální kandidáti na léky, které mohou interagovat s cílem. Jakmile jsou identifikovány, tyto vedoucí sloučeniny procházejí optimalizací, která rafinuje jejich chemické vlastnosti, aby se zvýšila účinnost a minimalizovaly vedlejší účinky. Preklinické testy poté hodnotí bezpečnost a účinnost těchto sloučenin in vitro (v zkumavkách) a in vivo (v animálních modelech). Perspektivní kandidáti jsou hodnoceni ve třech fázích klinických studií, aby se zhodnotila bezpečnost a účinnost u lidí. Nakonec úspěšné sloučeniny musí získat regulační schválení, než budou uvedeny na trh a předepsány.

Přes jeho důkladnost, tradiční proces objevování léků má několik omezení a výzev. Je proslulý tím, že je časově náročný a nákladný, často trvá déle 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, intenzivní screening může prozkoumat pouze omezenou frakci možných chemických sloučenin, což vede k mnoha nepoznaným lékům. Vysoké selhání také brání procesu, kdy mnoho kandidátů na léky selhává během pozdní fáze vývoje, což vede ke zbytečným zdrojům a času. Kromě toho každá fáze objevování léků vyžaduje významnou lidskou intervenci a odbornost, což může zpomalit pokrok.

Jak generativní AI mění objevování léků

Generativní AI řeší tyto výzvy automatizací různých fází procesu objevování léků. Zrychluje identifikaci a validaci cíle rychlou analýzou velkých množství biologických dat, aby přesněji identifikoval a potvrdil potenciální cíle léků. Ve fázi objevování vedoucí sloučeniny mohou algoritmy AI předpovídat a generovat nové chemické struktury, které pravděpodobně efektivně interagují s cílem. Schopnost generativní AI prozkoumat velké množství možností činí proces chemického průzkumu vysoce efektivní. Generativní AI také zlepšuje optimalizaci vedoucí sloučeniny simulací a předpovědí účinků chemických modifikací na vedoucí sloučeniny. Například NVIDIA spolupracovala s Recursion Pharmaceuticals, aby prozkoumala více než 2,8 kvadrilionu kombinací malých molekul a cílů za pouhý týden. Tento proces by mohl trvat přibližně 100 000 let, aby dosáhl stejných výsledků pomocí tradičních metod. Automatizací těchto procesů generativní AI významně snižuje čas a náklady na uvedení nového léku na trh.

Kromě toho generativní AI-driven insights činí preklinické testy přesnější identifikací potenciálních problémů dříve v procesu, což pomáhá snižovat selhání. AI technologie také automatizují mnoho časově náročných úkolů, umožňují výzkumníkům soustředit se na vyšší úroveň strategických rozhodnutí a škálovat proces objevování léků.

Případová studie: První objevování léků pomocí generativní AI od Insilico Medicine

Biotechnologická společnost Insilico Medicine použila generativní AI k vývoji prvního léku pro idiopatickou plicní fibrózu (IPF), vzácnou plicní nemoc charakterizovanou chronickým jizvením, které vede k nezvratnému poklesu plicní funkce. Aplikací generativní AI na omické a klinické datové sady související s tkáňovou fibrózou, 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 Insilico aplikovala první dávku INS018_055 pacientům ve fázi II klinické studie. Objev tohoto léku představuje historický okamžik, protože se jedná o první anti-fibrotický malý molekulární inhibitor, který byl objeven a navržen pomocí generativní AI.

Úspěch INS018_055 potvrzuje efektivitu generativní AI při urychlování objevování léků a zdůrazňuje její potenciál řešit komplexní nemoci.

Halucinace v generativní AI pro objevování léků

Jak generativní AI urychluje objevování léků, umožňující tvorbu nových molekul, je důležité být si vědom významné výzvy, které tyto modely mohou čelit. Generativní modely jsou náchylné k jevu známému jako halucinace. V kontextu objevování léků se halucinace týká generování 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 “halucinované” molekuly mohou selhat během syntézy nebo vykazovat neočekávané chování v biologických systémech.

Kromě toho halucinované molekuly 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 komplexní nebo nákladná, protože halucinace nezohledňuje praktické syntetické cesty.

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

Různé strategie lze použít k zmírnění halucinací. Hybridní přístupy kombinující generativní AI s fyzikálně založeným modelováním nebo znalostními metodami mohou pomoci filtrovat halucinované molekuly. Adversarialní trénink, kde modely se učí rozlišovat mezi přírodními a halucinovanými sloučeninami, může také zlepšit kvalitu generovaných molekul. Zapojením chemiků a biologů do iterativního designového procesu lze také snížit účinek halucinace.

Řešením výzvy halucinace může generativní AI dále rozvinout svůj potenciál v urychlování objevování léků, činí proces efektivnějším a účinnějším při vývoji nových, životaschopných léků.

Závěrečné shrnutí

Generativní AI mění farmaceutický průmysl urychlováním objevování léků a snižováním nákladů. Přestože zůstávají výzvy, jako je halucinace, kombinace AI s tradičními metodami a lidskou odborností pomáhá vytvářet přesnější a životaschopnější sloučeniny. Insilico Medicine demonstruje, že generativní AI má potenciál řešit komplexní nemoci a přinášet nové léčby na trh efektivněji. Budoucnost objevování léků se stává slibnější, s generativní AI pohánějící inovace.