Jak AI rozkládá úzká místa v objevování malých molekul léčiv

Klinické zkoušky pro vývoj léků jsou pověstné svou pomalostí a vysokými náklady, a pouze malá část kandidátů na léky je nakonec schválena regulačními úřady. Rozsáhlá úzká místa v tradičním procesu objevování léků jsou všem v farmaceutickém průmyslu dobře známa: samotná klinická fáze trvá asi deset let a představuje téměř tři čtvrtiny nákladů na výzkum a vývoj, přičemž průměrné náklady na vývoj léku se vyšplhaly na ohromujících 2,2 miliardy dolarů v roce 2024.

Perhaps nejkritičtější je, že farmaceutický průmysl se potýkal s přesným předpovídáním úspěšných výsledků vývoje v rané fázi: asi 80-90 procent kandidátů na léky nesplní požadavky, navzdory mnoha letům a rozsáhlému financování vynaloženému na jejich vývoj. Bezpečnost léků je velkou příčinou toho, s neočekávanou toxicitou, která představuje asi 30 procent selhání vývoje léků.

Molekuly objevené pomocí AI jsou úspěšnější ve fázi I klinických zkoušek

Nicméně, vznikající údaje naznačují, že umělá inteligence a výpočetní přístupy nejenom řeší tyto výzvy – ale fundamentálně mění naši schopnost předpovídat úspěšné výsledky. Rané fáze nového vývoje léků jsou zvláště kritické – a právě zde může AI a výpočetní chemie mít největší dopad.

Tyto AI a výpočetní přístupy mohou pomoci najít účinné nové terapie, které cílí na správné proteiny pro léčbu onemocnění v rané fázi objevování a optimalizace, spíše než později v procesu, jak tomu bylo doposud. Výpočetní předpověď toxicity je zvláště užitečná v raných fázích objevování léků, protože může vyloučit molekuly, které jsou pravděpodobně selhají v klinických zkouškách. Nalezení nejlepších léků dříve – a vyloučení těch, které nefungují – může ušetřit deset let drahého výzkumu a zvýšit šanci, že lék projde klinickou fází.
Nedávný výzkum na společnostech biotechnologií, které využívají AI, odhalil povzbudivé trendy, které naznačují, že výpočetní přístupy začínají překonávat některé z nejzákladnějších výzev v objevování léků. Například analýza zveřejněná v časopise Drug Discovery Today zjistila, že molekuly objevené pomocí AI jsou podstatně úspěšnější než historické průměry odvětví ve fázi I klinických zkoušek – dosahují 80-90procentní úspěšnosti ve fázi I, ve srovnání s 40-65procentním průměrem odvětví.

Tento raný úspěch je zvláště významný, protože naznačuje, že AI poháněné přístupy řeší jednu z nejzákladnějších výzev v objevování léků: navrhování molekul, které mají多četné charakteristiky nezbytné pro farmaceutický vývoj.

Síla multi-parametrické optimalizace

V srdci této transformace leží dovednost, ve které je AI poháněná výpočetní chemie mnohem lepší a rychlejší než lidé: multi-parametrická optimalizace, proces vyvažování více vlastností potenciálního léku současně – jako je účinnost, bezpečnost, specifita, propustnost hematoencefalické bariéry a mnoho dalších. To činí návrh nejperspektivnějších kandidátů mnohem přesnější, rychlejší a efektivnější, i když tyto vlastnosti navzájem konfliktují.

Tradiční přístupy k objevování léků mohou optimalizovat pouze jeden parametr najednou, což činí obtížným zlepšení jednoho aspektu bez negativního ovlivnění ostatních. Například lék určený k léčbě mozkových tumorů musí být schopen proniknout hematoencefalickou bariérou, aby mohl dosáhnout mozku. Ale lék, který efektivně proniká bariérou, nemusí být dostatečně selektivní ve svém cíli, což by mohlo snížit účinnost léku nebo způsobit nežádoucí účinky. Tradiční přístupy mohou optimalizovat parametry, jako je propustnost hematoencefalické bariéry, a poté řešit ostatní vlastnosti později, potenciálně oddalují problémy, místo aby je řešily na počátku procesu.

Mezitím AI zesílené výpočetní nástroje fundamentálně mění přístup k navrhování léků. Místo sekvenční optimalizace, která může vést k pozdějším selháním, AI umožňuje současnou optimalizaci napříč všemi kritickými parametry již v rané fázi objevování. S AI mohou výzkumníci zadat data o více omezeních a požádat algoritmy, aby našly známou molekulu, která funguje nejlépe s těmito omezeními – nebo vygenerovaly novou. Používání rychle se rozvíjejících generativních AI a nástrojů strojového učení pro vývoj optimálních kandidátů na léky rychleji a přesněji, současně analyzujících více parametrů, zvyšuje pravděpodobnost úspěchu a nakonec by mělo vést k vývoji účinnějších, spolehlivějších a bezpečnějších léčiv pro pacienty.

AI založené výpočetní nástroje mohou také naučit se specifické požadavky pro různé terapeutické oblasti. AI algoritmy mohou zahrnout tyto nuancované požadavky pro generování kandidátů na léky, které jsou přizpůsobeny pro specifické nemoci a cílové orgány, spíše než pouze splňovat obecné kritérium pro to, aby byly molekuly podobné lékům. Například sloučenina, která cílí na mozkové tumory, čelí jiným optimalizačním výzvám než sloučenina navržená pro chronickou zánět spojenou s artritidou, diabetem, aterosklerózou a jinými nemocemi.

Aby tyto AI poháněné přístupy byly skutečně schopné, jsou vyžadovány ultra-velké soubory molekul, a to jak pro screening, tak pro školení těchto modelů. Čím větší je soubor, tím více chemického prostoru je pokryto, což také zvyšuje šance na úspěch. Místo screeningu desítek tisíc (nebo dokonce několika milionů) molekul a přesunu několika desítek do vývoje, výpočetní výzkumníci mohou screenovat až desítky miliard molekul.

Další krok: Integrace AI přístupů do vývojových procesů

S rostoucí složitostí těchto přístupů je jednou z hlavních výzev schopnost je provádět ve velkém měřítku. Proto je dalším krokem pro využití AI v objevování léků začlenění nástrojů, které umožňují objevování procesů škálovat pomocí AI agentů – autonomních výpočetních systémů, které mohou provádět složité úkoly nebo procesy bez neustálého lidského zásahu.

Například agenti mohou být použiti ke shromažďování a analýze nezbytných a neustále rostoucích informací a vyloučení méně relevantních kandidátů na léky.

Jakmile jsou agenti školeni na mnoha parametrech, chemických omezeních a dalších relevantních proměnných, jako jsou úrovně toxicity a požadavky FDA, budou nakonec schopni poskytnout výzkumníkům přední molekulární kandidáty pro jakoukoli nemoc.

Výzvou farmaceutického průmyslu nyní není, zda přijmout AI poháněný výpočetní návrh léků, ale jak rychle a efektivně jej lze integrovat do stávajících vývojových procesů. Přestože zůstávají výzvy, rané důkazy naznačují, že AI a výpočetní chemie drží klíč k lepšímu lékům vyvinutým efektivněji a dosahujícím více pacientů rychleji než kdykoli předtím.