Hvordan AI bryder ned flaskehalsene i opdagelsen af småmolekyle lægemidler

Kliniske forsøg med lægemiddeludvikling er berømt langsomme og dyre, og kun en lille fraktion af lægemiddelkandidater ender med at blive godkendt af myndighederne. De omfattende flaskehalsene i den traditionelle lægemiddelopdagelsesproces er alt for velkendte for dem i lægemiddelindustrien: Den kliniske fase alene tager omkring et årti og står for næsten tre fjerdedele af udviklingsomkostningerne, med en gennemsnitlig udviklingsomkostning for et lægemiddel på over 2,2 milliarder dollars i 2024.

Måske mest kritisk har lægemiddelindustrien kæmpet med at forudsige succesfulde udviklingsresultater under tidlige faser: Omkring 80-90 procent af lægemiddelkandidaterne mislykkes med at blive godkendt, trods de mange år og omfattende finansiering, der er gået ind i deres udvikling. Lægemiddelsikkerhed er en stor årsag til dette, med uventet toksicitet, der står for omkring 30 procent af lægemiddeludviklingsfiaskoer.

AI-opdagede molekyler er mere succesfulde i fase I-forsøg

Dog tyder fremvoksende data på, at kunstig intelligens og computermæssige tilgange ikke blot adresserer disse udfordringer – de transformerer fundamentalt vores evne til at forudsige succesfulde resultater. De tidlige faser af ny lægemiddeludvikling er særligt kritiske – og det er her, hvor AI og computermæssig kemi kan have den største indvirkning.

Disse AI- og computermæssige tilgange kan hjælpe med at finde effektive nye terapier til at targetere de rette proteiner for at behandle sygdomme i den tidlige opdagelses- og optimeringsfase, snarere end senere i processen, som har været tilfældet hidtil. Computermæssig toksicitetsforudsigelse er særligt nyttig i de tidlige faser af lægemiddelopdagelse, fordi den kan udelukke molekyler, der sandsynligvis vil mislykkes i kliniske forsøg. At finde de bedste lægemidler tidligere – og udelukke dem, der ikke vil virke – kan spare et årti med dyrt forskning og øge chancen for, at lægemidlet vil bestå den kliniske fase.
Nylig forskning i AI-naturlige biotekvirksomheder afslører opmuntrende tendenser, der tyder på, at computermæssige tilgange faktisk begynder at overvinde nogle af de mest fundamentale udfordringer i lægemiddelopdagelse. For eksempel fandt en analyse, der blev offentliggjort i Drug Discovery Today, at AI-opdagede molekyler er væsentligt mere succesfulde end historiske branchegennemsnit i fase I-forsøg – med en succesrate på 80-90 procent i fase I, sammenlignet med et branchegennemsnit på 40-65 procent.

Denne tidlige succes er særligt betydningsfuld, fordi den indikerer, at AI-drevne tilgange løser en af de mest fundamentale udfordringer i lægemiddelopdagelse: design af molekyler, der besidder de multiple egenskaber, der er nødvendige for farmaceutisk udvikling.

Kraften af multiparameteroptimering

Til hjertet af denne transformation ligger en færdighed, som AI-drevet computermæssig kemi er meget bedre og hurtigere til end mennesker: multiparameteroptimering, processen med at balancere multiple egenskaber af et potentelt lægemiddel på samme tid – såsom potentiale, sikkerhed, specifikhed, gennemtrængelighed af blod-hjernebarrieren og mange andre. Dette gør det meget mere præcist, hurtigt og effektivt at designe de mest lovende kandidater, selv hvis disse egenskaber modsiger hinanden.

Traditionelle tilgange til lægemiddelopdagelse kan kun optimerer én parameter ad gangen, hvilket gør det svært at forbedre ét aspekt uden at negativt påvirke andre. For eksempel skal et lægemiddel, der er designet til at behandle hjernetumorer, være i stand til at trænge gennem blod-hjernebarrieren, så det kan nå hjernen. Men et lægemiddel, der trænger gennem barrieren effektivt, kan ikke være tilstrækkeligt selektivt i forhold til sin mål, hvilket kan reducere lægemidlets effektivitet eller forårsage uønskede bivirkninger. Traditionelle tilgange kan optimerer for problemer som gennemtrængelighed af blod-hjernebarrieren først og behandle andre egenskaber senere, hvilket potentielt kan flytte problemer ned ad vejen i stedet for at adresse dem i begyndelsen af processen.

Imens ændrer AI-forbedrede computerværktøjer fundamentalt tilgangen til lægemiddeldesign. I stedet for sekventielle optimeringer, der kan føre til senere fejl, muliggør AI simultan optimering på tværs af alle kritiske parametre allerede i opdagelsesfasen. Med AI kan forskere indsætte data om multiple begrænsninger og bede algoritmerne om at finde en kendt molekyl, der fungerer bedst med alle disse begrænsninger – eller generere en ny. Ved at anvende hurtigt fremadskridende generative AI- og maskinelæringsværktøjer til at udvikle optimale lægemiddelkandidater hurtigere og mere præcist, ved at samtidigt analysere multiple parametre, øger sandsynligheden for succes og forventes ultimativt at føre til udviklingen af mere effektive, pålidelige og sikre behandlinger for patienter.

AI-baserede computerværktøjer kan også lære de unikke krav for forskellige terapeutiske områder. AI-algoritmer kan inkorporere disse nuancerede krav for at generere lægemiddelkandidater, der er tilpasset specifikke sygdomme og målorganer, snarere end blot at opfylde generelle kriterier for at være lægemiddel-lignende molekyler. For eksempel stiller et stof, der targeter hjernetumorer, over for andre optimeringsudfordringer end et stof, der er designet til at behandle den kroniske inflammation, der er forbundet med artritis, diabetes, aterosklerose og andre sygdomme.

For at virkelig udnytte disse AI-drevne tilgange kræves ultra-stor dataset af molekyler, både til screening og, endnu vigtigere, til at træne disse modeller. Jo større datasettet er, jo mere kemisk rum dækkes, hvilket også øger chancerne for succes. I stedet for at screene titusinder (eller endda få millioner) molekyler og flytte få dusin ind i udvikling, kan computermæssige forskere screene så mange som titusinder af milliarder molekyler.

Næste skridt: Integration af AI-tilgange i udviklingsprocesser

Med den øgede kompleksitet af disse tilgange er en stor udfordring evnen til at udføre dem i stor målestok. Derfor er næste skridt for at udnytte AI i lægemiddelopdagelse at inkorporere værktøjer, der tillader opdagelsesprocessen at blive skaleret gennem brugen af AI-agenter – autonome computervæsener, der kan udføre komplekse opgaver eller processer uden konstant menneskelig indgriben.

For eksempel kan agenterne bruges til at indsamle og analysere den nødvendige og konstant voksende mængde information og udelukke de mindre relevante lægemiddelkandidater.

Når agenterne er blevet trænet på mange parametre, kemiske begrænsninger og andre relevante variabler, såsom toksicitetsniveauer og FDA-krav, vil de ultimativt være i stand til at give forskerne de førende molekylærkandidater for enhver sygdom.

Lægemiddelindustriens udfordring nu er ikke, om de skal antage AI-drevet computermæssig lægemiddeldesign, men hvor hurtigt og effektivt det kan integreres i eksisterende udviklingsprocesser. Mens udfordringer består, tyder de tidlige beviser på, at AI og computermæssig kemi holder nøglen til bedre lægemidler, der udvikles mere effektivt og når flere patienter hurtigere end nogensinde.