AI-drevne medicinske gennembrud: Udvikling af nye lægemidler med kunstig intelligens

Lægemiddelforskning kaldes “fra laboratoriet til sygehusets seng” på grund af dens lange varighed og høje omkostninger. Det tager omkring 11 til 16 år og mellem 1 milliard til 2 milliarder dollars at udvikle et nyt lægemiddel. Men nu er kunstig intelligens i gang med at revolutionere lægemiddeludviklingen og giver os en bedre tempo og profit.

Kunstig intelligens i lægemiddelforskning har ændret vores tilgang og strategi over for biomedicinsk forskning og innovation. Det har hjulpet forskere med at reducere kompleksiteten af en sygdomsforløb og identificere biologiske mål.

Lad os dykke dybere ned i, hvad kunstig intelligens i lægemiddelforskning kan tilbyde i fremtiden.

Forståelsen af kunstig intelligens’ rolle: Hvordan den bruges til lægemiddelforskning?

Kunstig intelligens har forbedret forskellige faser af lægemiddelforskningen med sin evne til at analysere store mængder data og foretage komplekse forudsigelser. Her er, hvordan:

1. Målidentifikation

Målidentifikation er den første proces i lægemiddelforskning, som indebærer identifikation af mulige molekylære enheder som proteiner, enzymer og receptorer, der findes i kroppen og kan kombineres med lægemidler for at producere terapeutiske effekter mod sygdomme.

Kunstig intelligens kan udnytte store kliniske databaser, der indeholder nøgleinformation om målidentifikation. Disse datakilder kan inkludere biomedicinsk forskning, biomolekylær information, kliniske forsøgsdata, proteinstrukturer osv.

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

2. Målvalg

Kunstig intelligens i lægemiddelforskning kan hjælpe forskere med at vælge lovende mål baseret på deres sygdomskorrelationer og forudsigelige terapeutiske nytte. Med stærk mønstergenkendelse kan kunstig intelligens gøre dette valg baseret ikke kun på erklæret medicinsk litteratur, men også vælge helt nye mål uden forudgående reference i offentliggjorte patenter.

3. Lægemiddelprioritering

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

4. Stofscreening

Kunstig intelligensmodeller kan forudsige stoffers kemiske egenskaber og bioaktivitet og give indsigt i uønskede effekter. De kan analysere data fra forskellige kilder, herunder tidligere studier og databaser, for at identificere potentielle risici eller bivirkninger forbundet med et bestemt stof. For eksempel har forskere udviklet en deep learning-værktøj til at screene kemiske biblioteker med milliarder af molekyler for at accelerere storstilet stofeksploration.

5. De Novo lægemiddeldesign

Manuel screening af store samlinger af stoffer har været en traditionel praksis i lægemiddelforskning. Med kunstig intelligens kan forskere screene nye stoffer med eller uden forudgående information og også forudsige den endelige 3D-struktur af de opdagede lægemidler. For eksempel er AlphaFold, udviklet af DeepMind, et kunstig intelligenssystem, der kan forudsige proteinstrukturer. Det indeholder en database med over 200 millioner proteinstrukturforudsigelser, der kan accelerere lægemiddeldesignprocessen.

5 erfolgrede eksempler på kunstig intelligens-baseret lægemiddelforskning

1) Abaucin

Antibiotika dræber bakterier. Men på grund af mangel på nye lægemidler og den hurtige evolution af bakteriell resistens mod ældre lægemidler, er bakterier blevet svære at behandle. Abaucin, et kunstig intelligens-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 tusinder af lægemidler for at se, hvor godt de virkede mod bakterien, Acinetobacter baumannii. Derefter blev denne information brugt til at træne kunstig intelligens til at komme med et lægemiddel, der kan effektivt behandle det.

2) Target X af Insilico Medicine

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

3) VRG50635 af Verge Genomic

Verge Genomics, et kunstig intelligens-lægemiddelforskningsfirma, brugte sin AI-platform CONVERGE til at opdage et nyt stof, VRG-50635, til behandling af ALS ved at analysere humane datapunkter. Datapunkterne indeholdt information om hjernen og rygmarvsvæv hos patienter med neurodegenerative sygdomme som Parkinsons, ALS og Alzheimers.

Platformen fandt først PIKfyve-enzymet som et muligt mål for ALS og foreslog derefter VRG50635 som en lovende inhibitor af PIKfyve, der blev et potentiale lægemiddelkandidat til behandling af ALS. Processen tog omkring fire år, og nu er kandidaten i fase 1 af de humane forsøg.

4) Exscientia-A2a Receptor

Exscientia, et kunstig intelligens-MedTech-firma, er ansvarligt for det første kunstig intelligens-designede molekyl til immuno-onkologisk behandling – en form for kræftbehandling, der bruger kroppens immunsystem til at bekæmpe kræftceller. Deres kunstig intelligens-lægemiddel er gået ind i den humane kliniske forsøgsfase. Dets potentiale ligger i dets evne til at målrette A2a-receptoren til at fremme anti-tumoraktivitet, samtidig med at det sikrer færre bivirkninger på kroppen og hjernen.

Ved hjælp af Generative AI har de skabt nogle andre stoffer til målretning af forskellige sygdomme som

• Transkriptionelt afhængige kræfter ved at målrette CDK7-inhibitorer
• Inflammatoriske sygdomme ved at målrette PKC-theta-enzym
• Hæmatologi- og onkologisygdomme ved at målrette LSD1-regulator

5) Absci-de Novo Antistoffer med Zero-Shot Generative AI

Absci, et Generative AI-lægemiddelforskningsfirma, har demonstreret sin brug af zero-shot generative AI til at skabe de novo-antistoffer via computersimulation. Zero-shot-læring betyder, at kunstig intelligensmodellen ikke er blevet testet på den aktuelle inputinformation under træningsfasen. Derfor kan denne proces komme med nye antistofdesigns på egen hånd.

De novo-terapeutiske antistoffer, der er drevet af kunstig intelligens, reducerer tiden, det tager at udvikle nye lægemiddelleads, fra op til seks år til kun 18 til 24 måneder, og øger sandsynligheden for succes i kliniske forsøg. Virksomhedens teknologi kan teste og validere 3 millioner kunstig intelligens-genererede designs hver uge. Denne nye udvikling kunne øjeblikkeligt levere nye terapeutiske midler til hver patient, og markerer en betydelig industrielle ændring.

Hvad holder fremtiden for kunstig intelligens og lægemiddelforskning?

Foruden mange andre sundhedsapplikationer er kunstig intelligens i gang med at gøre lægemiddelforskningen hurtigere og mere intelligent ved at analysere store datasæt og forudsige lovende lægemiddelmål og -kandidater. Ved hjælp af generative AI kan biotekfirmaer identificere patientresponsmarkører og udvikle personlige behandlingsplaner hurtigt.

En rapport foreslår, at snart vil flere MedTech-virksomheder inkorporere kunstig intelligens og maskinlæring i tidlige faser af lægemiddelforskning, hvilket vil hjælpe med at skabe en markedsværdi på 50 milliarder dollars inden for de næste ti år, og skabe en betydelig vækstpotentiale for kunstig intelligens i lægemiddelindustrien. Kunstig intelligens vil potentielt reducere de samlede omkostninger til lægemiddelforskning, og gøre flere nye lægemidler tilgængelige for patienter hurtigere.

Hvis du vil vide mere om kunstig intelligens og hvordan den vil forme vores fremtid, besøg unite.ai.