Dekodning af molekylers sprog: Hvordan generativ AI accelererer lægemiddelforskning

Som generativ AI udvikler sig, bevæger den sig ud over at afkode menneskesprog til at mestre de komplekse sprog i biologi og kemi. Tænk på DNA som en detailed script, en 3-milliard-bogstavers sekvens, der vejleder vores krops funktioner og vækst. Ligesom proteiner, de essentielle komponenter i livet, har de deres eget sprog, herunder en 20 amino syre alfabet. I kemi har molekylerne også deres eget unikt dialekt, ligesom konstruktion af 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 sætningsstruktur, beskriver molekylær grammatik molekylernes struktur.

Som generativ AI, såsom store sprogmodeller (LLM), demonstrerer sin evne til at afkode molekylernes sprog, åbner nye veje for effektiv lægemiddelforskning. Flere farmaceutiske virksomheder bruger i stigende grad denne teknologi til at drive innovation i lægemiddeludvikling. McKinsey Global Institute (MGI) estimerer, at generativ AI kan skabe $60 milliarder til $110 milliarder om året i økonomisk værdi for den farmaceutiske industri. Dette potentiale skyldes primært dens evne til at forbedre produktiviteten ved at accelerere identifikationen af potentielle nye lægemiddelkompounder og deres udviklings- og godkendelsesprocesser. Denne artikel udforsker, hvordan generativ AI ændrer den farmaceutiske industri ved at fungere som en katalysator for hurtige fremskridt i lægemiddelforskning. Men for at værdsætte generativ AI’s indvirkning er det essentiel at forstå den traditionelle lægemiddelforskningsproces og dets indbyggede begrænsninger og udfordringer.

Udfordringer i traditionel lægemiddelforskning

Den traditionelle lægemiddelforskningsproces er en flerstages indsats, ofte tidskrævende og ressourceintensiv. Den begynder med målidentifikation, hvor videnskabsmænd identificerer biologiske mål involveret i en sygdom, såsom proteiner eller gener. Dette skridt fører til målvalidering, som bekræfter, at manipulation af målet vil have terapeutiske effekter. Herefter engagerer forskerne sig i identifikation af ledende kemiske forbindelser for at finde potentielle lægemiddelkandidater, der kan interagere med målet. Når disse ledende forbindelser er identificeret, undergår de kemiske egenskaber forbedring for at forbedre effekten og minimere bivirkninger. Prækliniske tests vurderer herefter sikkerheden og effekten af disse forbindelser in vitro (i testrør) og in vivo (i dyremodeller). Lovende kandidater vurderes i tre kliniske forsøgsfaser for at vurdere menneskers sikkerhed og effekt. Til sidst skal succesfulde forbindelser opnå regulativ godkendelse, før de kan markedsføres og ordineres.

Trods sin grundighed har den traditionelle lægemiddelforskningsproces flere begrænsninger og udfordringer. Den er berømt for at være tidskrævende og kostbar, ofte tager det over en årti og koster milliarder af dollars, med høje fejlratser, især i de kliniske forsøgsfaser. Biologiske systemers kompleksitet komplicerer processen yderligere, hvilket gør det svært at forudsige, hvordan et lægemiddel vil opføre sig hos mennesker. Desuden kan den intense screening kun udforske en begrænset brøkdel af de mulige kemiske forbindelser, hvilket efterlader mange potentielle lægemidler upåagtet. Høje frafaldsrater hæmmer processen, hvor mange lægemiddelkandidater fejler under sen-faseudvikling, hvilket resulterer i spild af ressourcer og tid. Endelig kræver hvert stadium af lægemiddelforskning betydelig menneskelig indgriben og ekspertise, hvilket kan langsommere fremgangen.

Hvordan generativ AI ændrer lægemiddelforskning

Generativ AI imødegår disse udfordringer ved at automatisere forskellige stadier af lægemiddelforskningsprocessen. Den accelererer målidentifikation og -validering ved at hurtigt analysere store mængder biologiske data for at mere præcist identificere og validere potentielle lægemiddelmål. I fasen med identifikation af ledende kemiske forbindelser kan AI-algoritmer forudsige og generere nye kemiske strukturer, der sandsynligvis kan interagere effektivt med målet. Generativ AI’s evne til at udforske et stort antal ledende forbindelser gør den kemiske udforskningsproces højst effektiv. Generativ AI forbedrer også optimering af ledende forbindelser ved at simulere og forudsige effekterne af kemiske ændringer på ledende forbindelser. For eksempel samarbejdede NVIDIA (NVDA ) med Recursion Pharmaceuticals (RXRX ) om at udforske over 2,8 kvadrillion kombinationer af små molekyler og mål på blot en uge. Denne proces kunne have taget cirka 100.000 år at opnå samme resultater med traditionelle metoder. Ved at automatisere disse processer reducerer generativ AI betydeligt tiden og omkostningerne til at bringe et nyt lægemiddel på markedet.

Desuden gør generativ AI-drevne indsigt prækliniske tests mere præcise ved at identificere potentielle problemer tidligere i processen, hvilket hjælper med at reducere frafaldsrater. AI-teknologier automatiserer også mange arbejdskrævende opgaver, hvilket giver forskerne mulighed for at fokusere på strategiske beslutninger og skala lægemiddelforskningen op.

Case Study: Insilico Medicines første generative AI-lægemiddelforskning

Et bioteknologisk firma, Insilico Medicine, har brugt generativ AI til at udvikle det første lægemiddel til idiopatisk lungfibrose (IPF), en sjælden lungesygdom karakteriseret ved kronisk arvæv, der fører til irreversibel lungedefekt. Ved at anvende generativ AI på omics- og kliniske datasæt relateret til vævfibrose, identificerede Insilico med succes vævs-specifikke fibrose-mål. Ved hjælp af denne teknologi designede virksomheden en lille molekylhæmmer, INS018_055, der viste potentiale mod fibrose og inflammation.

I juni 2023 administrerede Insilico den første dosis af INS018_055 til patienter i en fase 2-klinisk forsøg. Opdagelsen af dette lægemiddel markerede et historisk øjeblik, da verdens første anti-fibrotiske lille molekylhæmmer blev opdaget og designed med generativ AI.

Succesen med INS018_055 validerer effektiviteten af generativ AI i at accelerere lægemiddelforskning og understreger dens potentiale til at tackle komplekse sygdomme.

Hallucination i generativ AI til lægemiddelforskning

Da generativ AI fremskynder lægemiddelforskning ved at muliggøre oprettelse af nye molekyler, er det vigtigt at være opmærksom på en væsentlig udfordring, disse modeller kan stå overfor. De generative modeller er tilbøjelige til en fænomen kaldet hallucination. I lægemiddelforskningens kontekst refererer hallucination til oprettelsen af molekyler, der ser gyldige ud på overfladen, men mangler reel biologisk relevans eller praktisk nytte. Dette fænomen præsenterer flere dilemmær.

Et større 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 fejle under syntese eller udvise uventet adfærd i biologiske systemer.

Desuden mangler hallucinerede molekyler ofte biologisk relevans. De kan passe med kemiske mål, men fejle i at interagere meningsfuldt med biologiske mål, hvilket gør dem ineffektive som lægemidler. Selv hvis en molekyl ser lovende ud, kan syntesen være forbudt kompleks eller dyrt, da hallucination ikke tager hensyn til praktiske syntetiske vejledninger.

Valideringsgapet komplicerer problemet yderligere. Mens generative modeller kan foreslå mange kandidater, er rigorøs eksperimentel testning og validering afgørende for at bekræfte deres nytte. Dette skridt er essentiel for at brokke det teoretiske potentiale og den praktiske anvendelsesgap.

Forskellige strategier kan anvendes for at mildne hallucinationer. Hybridtilgange, der kombinerer generativ AI med fysikbaseret modellering eller viden-drevne metoder, kan hjælpe med at filtrere hallucinerede molekyler. Adversarial træning, hvor modellerne lærer at skelne mellem naturlige og hallucinerede forbindelser, kan også forbedre kvaliteten af de genererede molekyler. Ved at involvere kemikere og biologer i den iterative designproces kan effekten af hallucination også reduceres.

Ved at imødegå udfordringen med hallucination kan generativ AI yderligere sit løfte i at accelerere lægemiddelforskning, hvilket gør processen mere effektiv og effektiv i udviklingen af nye, viable lægemidler.

Bottom Line

Generativ AI ændrer den farmaceutiske industri ved at accelerere lægemiddelforskning og reducere omkostninger. Selv om udfordringer som hallucination består, hjælper kombinationen af AI med traditionelle metoder og menneskelig ekspertise med at skabe mere præcise og viable forbindelser. Insilico Medicine demonstrerer, at generativ AI har potentialet til at tackle komplekse sygdomme og bringe nye behandlinger på markedet mere effektivt. Fremtiden for lægemiddelforskning bliver mere lovende, med generativ AI som drivkraft for innovation.