AI-drevet medicinsk gennembrud: Udnyttelse af kunstig intelligens til at opdage nye lægemidler

Opdagelse af lægemidler er kendt som "fra bænk til sengekant" på grund af dets lange varighed og høje omkostninger. Det tager omkring 11 til 16 år og mellem $ 1 milliarder til $ 2 milliarder at bringe et lægemiddel på markedet. Men nu revolutionerer AI lægemiddeludvikling, hvilket giver bedre tempo og rentabilitet.

AI i lægemiddeludvikling har transformeret vores tilgang og strategi i retning af biomedicinsk forskning og innovation. Det har hjulpet forskere med at reducere kompleksiteten af ​​en sygdomsvej og identificere biologiske mål.

Lad os se dybere ind i, hvilket potentiale AI i lægemiddelopdagelse rummer for fremtiden.

Forståelse af AI's rolle: Hvordan bliver det brugt til at opdage stoffer?

AI har forbedret forskellige stadier af lægemiddeludviklingsprocessen med sin evne til at analysere enorme mængder data og lave komplekse forudsigelser. Sådan gør du:

1. Målidentifikation

Målidentifikation er den første proces til lægemiddelopdagelse, som involverer identifikation af mulige molekylære enheder som proteiner, enzymer og receptorer, der er til stede i kroppen, og som kan kombineres med lægemidler for at producere terapeutiske virkninger mod sygdomme.

AI kan udnytte store kliniske databaser, der inkluderer nøgleoplysninger om målidentifikationen. Disse datakilder kan omfatte biomedicinsk forskning, biomolekylær information, kliniske forsøgsdata, proteinstrukturer osv.

Trænede AI-modeller sammen med biomedicinske teknikker som genekspression kan forstå komplekse biologiske sygdomme og identificere de biologiske mål for lægemiddelkandidaterne. For eksempel har forskere udviklet forskellige AI-teknikker til identifikation af nye anticancer-mål.

2. Målvalg

AI i lægemiddelopdagelse kan hjælpe forskere med at vælge lovende mål baseret på deres sygdomskorrelationer og forudsagte terapeutiske nytte. Med stærk mønstergenkendelse kan AI foretage denne udvælgelse, ikke kun baseret på erklæret medicinsk litteratur, men vælge helt nye mål uden forudgående reference i offentliggjorte patenter.

3. Lægemiddelprioritering

I denne fase evaluerer og vurderer AI førende lægemiddelforbindelser, og prioriterer dem til yderligere vurdering og forskning for at fremme deres udvikling. Sammenlignet med tidligere rangeringsteknikker er AI-baserede tilgange mere effektive til at identificere de mest lovende kandidater. For eksempel har forskere udviklet en Deep Learning-baseret beregningsramme at identificere og prioritere nye lægemidler til Alzheimers sygdom.

4. Sammensatte screening

AI-modeller kan forudsige forbindelsers kemiske egenskaber og bioaktivitet og give indsigt i bivirkninger. De kan analysere data fra forskellige kilder, herunder tidligere undersøgelser og databaser, for at identificere potentielle risici eller bivirkninger forbundet med en bestemt forbindelse. For eksempel har forskere udviklet et dybt læringsværktøj til at screene kemiske biblioteker med milliarder af molekyler til markant at accelerere storstilet forbindelsesudforskning.

5. De Novo lægemiddeldesign

Manuel screening af store samlinger af forbindelser har været en traditionel praksis inden for lægemiddelopdagelse. Med AI kan forskere screene nye forbindelser med eller uden forudgående information og også forudsige den endelige 3D-struktur af de opdagede lægemidler. For eksempel, AlphaFold, udviklet af DeepMind, er et AI-system, der kan forudsige proteinstrukturer. Det vedligeholder en database med over 200 millioner forudsigelser af proteinstrukturer, der kan accelerere lægemiddeldesignprocessen.

5 Eksempler på succesfuld AI-baseret lægemiddelopdagelse

1) Abaucin

Antibiotika dræber bakterier. Men på grund af manglen på nye lægemidler og den hurtige udvikling af bakteriel resistens mod ældre lægemidler, bliver bakterier svære at behandle. Abaucin, et AI-udviklet stærkt eksperimentelt antibiotikum, er designet til at dræbe Acinetobacter baumannii, en af ​​de farligste superbug bakterier.

Ved hjælp af kunstig intelligens testede forskerne først tusindvis af medicin for at se, hvor godt de virker mod bakterien Acinetobacter baumannii. Så blev denne information brugt til at træne AI til at finde på et lægemiddel, der effektivt kan behandle det.

2) Target X af Insilico Medicine

Insilico medicin brugte sin Generativ AI platform og skabte et lægemiddel kaldet Target X, nu i fase 1 kliniske forsøg. Target X er designet til at behandle Idiopatisk lungefibrose, en sygdom, der kan forårsage lungestivhed hos ældre personer, hvis den ikke behandles. Fase 1 vil involvere 80 deltagere, og halvdelen vil gradvist modtage højere doser. Dette vil hjælpe med at evaluere, hvordan lægemiddelmolekylet interagerer med den menneskelige krop.

3) VRG50635 af Verge Genomic

Verge Genomics, et AI-lægemiddelopdagelsesfirma, brugte sin AI-platform CONVERGE til at opdage en ny forbindelse, VRG-50635, til behandling af ALS ved at analysere menneskelige datapunkter. Datapunkterne inkluderede information om hjerne- og rygsøjlevæv hos patienter med neurodegenerative sygdomme som Parkinsons, ALS og Alzheimers.

Platformen fandt først PIKfyve-enzym som et muligt mål for ALS og derefter foreslået VRG50635 som en lovende hæmmer af PIKfyve, som blev en potentiel lægemiddelkandidat til behandling af ALS. Processen tog omkring fire år, og nu er kandidaten i fase 1 af de menneskelige forsøg.

4) Exscientia-A2a-receptor

excientia, en AI MedTech-virksomhed, er ansvarlig for det første AI-designede molekyle til immunonkologisk behandling – en form for kræftbehandling, der bruger kroppens immunsystem til at bekæmpe kræftceller. Deres AI-lægemiddel er gået ind i den humane kliniske forsøgsfase. Dens potentiale ligger i dens evne til at målrette A2a receptor at fremme anti-tumor aktivitet og samtidig sikre færre bivirkninger på kroppen og hjernen.

Ved brug af Generativ AI, de har skabt nogle andre forbindelser til at målrette forskellige sygdomme som

• Transskriptionelt afhængige kræftformer ved at målrette CDK7-hæmmere
• Inflammatoriske sygdomme ved målretning PKC-theta enzym
• Hæmatologi og onkologiske sygdomme ved målretning LSD1 regulator

5) Absci-de Novo-antistoffer med Zero-Shot Generativ AI

Absci, en Generativ AI drug discovery company, har demonstreret sin brug af nul-shot generativ AI til at skabe de novo antistoffer via computersimulering. Zero-shot learning betyder, at AI-modellen ikke er blevet eksplicit testet på den aktuelle inputinformation under træningsfasen. Derfor kan denne proces komme op med nye antistofdesigns alene.

De novo terapeutiske antistoffer drevet af AI reducerer den tid, det tager at udvikle nye lægemiddelkunder fra op til seks år til kun 18 til 24 måneder, hvilket øger deres sandsynlighed for succes i klinikken. Virksomhedens teknologi kan teste og validere 3 millioner AI-genererede designs hver uge. Denne nye udvikling kunne øjeblikkeligt levere nye terapier til hver patient, hvilket markerer en betydelig industriel forandring.

Hvad bringer fremtiden for AI & Drug Discovery?

Udover mange andre sundhedsapplikationer, AI gør lægemiddelopdagelsesprocessen hurtigere og mere intelligent ved at analysere enorme datasæt og forudsige lovende lægemiddelmål og -kandidater. Ved hjælp af generativ kunstig intelligens kan biotekvirksomheder identificere patientresponsmarkører og udvikle dem skræddersyede behandlingsplaner hurtigt.

En rapport antyder, at snart vil flere MedTech-virksomheder inkorporere AI og ML til lægemiddelopdagelse i tidlige stadier, som vil bidrage til at skabe et marked for 50 milliarder dollars inden for de næste ti år og skabe det betydelige vækstpotentiale for AI i lægemidler. AI vil potentielt reducere de samlede omkostninger til opdagelse af lægemidler, hvilket gør flere nye lægemidler tilgængelige for patienter hurtigere.

Hvis du vil vide mere om AI, og hvordan det vil forme vores fremtid, så besøg forene.ai.