Afkodning af molekylernes sprog: Hvordan generativ kunstig intelligens accelererer lægemiddelopdagelsen

As generativ AI udvikler sig, det bevæger sig ud over at dechifrere menneskeligt sprog til at mestre de indviklede sprog biologi og kemi. Tænk på DNA som en detaljeret manuskript, en sekvens på 3 milliarder bogstaver, der styrer vores krops funktioner og vækst. På samme måde har proteiner, livets essentielle komponenter, deres eget sprog, herunder et alfabet med 20 aminosyrer. I kemi har molekylerne også en unik dialekt, som at konstruere ord, sætninger eller afsnit ved hjælp af grammatikregler. Molekylær grammatik dikterer, hvordan atomer og understrukturer kombineres for at danne molekyler eller polymerer. Ligesom sproggrammatik definerer strukturen af ​​sætninger, beskriver molekylær grammatik strukturen af ​​molekyler.

Som generativ AI, som f.eks store sprogmodeller (LLM'er), demonstrerer dens evne til at afkode molekylernes sprog, nye veje til effektiv lægemiddelopdagelse dukker op. Adskillige medicinalvirksomheder bruger i stigende grad denne teknologi til at drive innovation inden for lægemiddeludvikling. McKinsey Global Institute (MGI) vurderer, at generativ kunstig intelligens kan skabe $ 60 milliarder til $ 110 milliarder årligt i økonomisk værdi for medicinalindustrien. Dette potentiale skyldes primært dens evne til at øge produktiviteten ved at fremskynde identifikationen af ​​potentielle nye lægemiddelforbindelser og fremskynde deres udviklings- og godkendelsesprocesser. Denne artikel undersøger, hvordan generativ AI ændrer medicinalindustrien ved at fungere som en katalysator for hurtige fremskridt inden for lægemiddelforskning. For at forstå generativ AI's indflydelse er det dog vigtigt at forstå den traditionelle lægemiddelforskningsproces og dens iboende begrænsninger og udfordringer.

Udfordringer ved at opdage traditionelle lægemidler

traditionel lægemiddelopdagelsesproces er en indsats i flere faser, ofte tidskrævende og ressourcekrævende. Det begynder med målidentifikation, hvor videnskabsmænd udpeger biologiske mål involveret i en sygdom, såsom proteiner eller gener. Dette trin fører til målvalidering, som bekræfter, at manipulation af målet vil have terapeutiske effekter. Dernæst engagerer forskere sig i identifikation af hovedforbindelser for at finde potentielle lægemiddelkandidater, der kan interagere med målet. Når de først er identificeret, gennemgår disse blyforbindelser blyoptimering, hvilket forfiner deres kemiske egenskaber for at øge effektiviteten og minimere bivirkninger. Præklinisk testning vurderer derefter sikkerheden og effektiviteten af ​​disse forbindelser in vitro (i reagensglas) og in vivo (i dyremodeller). Lovende kandidater evalueres i tre kliniske forsøgsfaser for at vurdere sikkerhed og effekt hos mennesker. Endelig skal vellykkede forbindelser opnå regulatorisk godkendelse, før de markedsføres og ordineres.

På trods af sin grundighed har den traditionelle lægemiddelopdagelsesproces adskillige begrænsninger og udfordringer. Det er notorisk tidskrævende og dyrt, tager ofte over et årti og koster milliarder af dollars, med høje fejlrater, især i de kliniske forsøgsfaser. Kompleksiteten af ​​biologiske systemer komplicerer processen yderligere, hvilket gør det vanskeligt at forudsige, hvordan et lægemiddel vil opføre sig hos mennesker. Desuden kan den intense screening kun udforske en begrænset del af de mulige kemiske forbindelser, hvilket efterlader mange potentielle lægemidler uopdagede. Høje nedslidningsrater hæmmede også processen, hvor mange lægemiddelkandidater fejler under udviklingen i de sene stadier, hvilket førte til spildte ressourcer og tid. Derudover kræver hver fase af lægemiddelopdagelsen betydelig menneskelig indgriben og ekspertise, som kan bremse fremskridtet.

Hvordan generativ AI ændrer lægemiddelopdagelse

Generativ AI løser disse udfordringer ved at automatisere forskellige faser af lægemiddelopdagelsesprocessen. Det fremskynder målidentifikation og validering ved hurtigt at analysere enorme mængder biologiske data for mere præcist at identificere og validere potentielle lægemiddelmål. I fasen med opdagelse af ledende forbindelser kan AI-algoritmer forudsige og generere nye kemiske strukturer, der sandsynligvis vil interagere effektivt med målet. Generativ AIs evne til at udforske et stort antal kundeemner gør den kemiske udforskningsproces meget effektiv. Generativ AI forbedrer også blyoptimering ved at simulere og forudsige virkningerne af kemiske modifikationer på blyforbindelser. For eksempel samarbejdede NVIDIA med Recursion Pharmaceuticals for at udforske 2.8 kvadrillion kombinationer af små molekyler og mål på bare en uge. Denne proces kunne have taget cirka 100,000 år at opnå de samme resultater ved brug af de traditionelle metoder. Ved at automatisere disse processer reducerer generativ kunstig intelligens markant den tid og omkostninger, der kræves for at bringe et nyt lægemiddel på markedet.

Desuden gør generativ AI-drevet indsigt præklinisk test mere præcis ved at identificere potentielle problemer tidligere i processen, hvilket hjælper med at sænke nedslidningsraterne. AI-teknologier automatiserer også mange arbejdskrævende opgaver, hvilket gør det muligt for forskere at fokusere på strategiske beslutninger på højere niveau og skalere lægemiddelopdagelsesprocessen. 

Casestudie: Insilico Medicines første generative AI-lægemiddelopdagelse

Et bioteknologisk firma, Insilico medicin, har brugt generativ AI til at udvikle det første lægemiddel til idiopatisk lungefibrose (IPF), en sjælden lungesygdom karakteriseret ved kronisk ardannelse, der fører til irreversibel lungefunktionsnedgang. Ved at anvende generativ AI til omics og kliniske datasæt relateret til vævsfibrose, forudsagde Insilico succesfuldt vævsspecifikke fibrosemål. Ved at anvende denne teknologi designede virksomheden en lille molekylehæmmer, INS018_055, som viste potentiale mod fibrose og inflammation.

I juni 2023 administrerede Insilico den første dosis INS018_055 til patienter i en Fase II klinisk forsøgOpdagelsen af ​​dette lægemiddel markerede et historisk øjeblik, da verdens første antifibrotiske småmolekylehæmmer blev opdaget og designet ved hjælp af generativ kunstig intelligens.

Succesen med INS018_055 validerer effektiviteten af ​​generativ AI til at accelerere lægemiddelopdagelse og fremhæver dets potentiale til at tackle komplekse sygdomme.

Hallucination i generativ AI til lægemiddelopdagelse

Da generativ AI fremmer lægemiddelopdagelsen ved at muliggøre skabelsen af ​​nye molekyler, er det vigtigt at være opmærksom på en betydelig udfordring, som disse modeller kan stå over for. De generative modeller er tilbøjelige til et fænomen kendt som hallucination. I forbindelse med opdagelse af lægemidler refererer hallucination til dannelsen af ​​molekyler, der ser ud til at være gyldige på overfladen, men som mangler egentlig biologisk relevans eller praktisk anvendelighed. Dette fænomen giver flere dilemmaer.

Et stort problem er kemisk ustabilitet. Generative modeller kan producere molekyler med teoretisk gunstige egenskaber, men disse forbindelser kan være kemisk ustabile eller tilbøjelige til nedbrydning. Sådanne "hallucinerede" molekyler kan svigte under syntese eller udvise uventet adfærd i biologiske systemer.

Desuden mangler hallucinerede molekyler ofte biologisk relevans. De passer måske med kemiske mål, men formår ikke at interagere meningsfuldt med biologiske mål, hvilket gør dem ineffektive som lægemidler. Selvom et molekyle virker lovende, kan dets syntese være uoverkommeligt kompleks eller dyr, da hallucination ikke tager højde for praktiske syntetiske veje.

Valideringsgabet komplicerer problemet yderligere. Mens generative modeller kan foreslå adskillige kandidater, er streng eksperimentel testning og validering afgørende for at bekræfte deres nytte. Dette trin er vigtigt for at bygge bro mellem det teoretiske potentiale og den praktiske anvendelsesforskel.

Forskellige strategier kan anvendes til at afbøde hallucinationer. Hybride tilgange, der kombinerer generativ kunstig intelligens med fysikbaseret modellering eller vidensdrevne metoder, kan hjælpe med at filtrere hallucinerede molekyler. Modstridende træning, hvor modeller lærer at skelne mellem naturlige og hallucinerede forbindelser, kan også forbedre kvaliteten af ​​genererede molekyler. Ved at inddrage kemikere og biologer i den iterative designproces kan effekten af ​​hallucinationer også reduceres.

Ved at tackle hallucinationsudfordringen kan generativ kunstig intelligens fremme sit løfte i at accelerere opdagelsen af ​​lægemidler, hvilket gør processen mere effektiv og effektiv til at udvikle nye, levedygtige lægemidler.

The Bottom Line

Generativ kunstig intelligens ændrer den farmaceutiske industri ved at fremskynde opdagelsen af ​​lægemidler og reducere omkostningerne. Mens der stadig er udfordringer som hallucinationer, hjælper det at kombinere kunstig intelligens med traditionelle metoder og menneskelig ekspertise med at skabe mere nøjagtige og levedygtige forbindelser. Insilico Medicine viser, at generativ kunstig intelligens har potentialet til at behandle komplekse sygdomme og bringe nye behandlinger på markedet mere effektivt. Fremtiden for lægemiddelopdagelse bliver mere lovende, med generativ kunstig intelligens, der driver innovationer.