Μοντέλα και πλατφόρμες AI

Ιατρική πρόοδος με AI: αξιοποίηση της τεχνητής νοημοσύνης για την ανακάλυψη νέων φαρμάκων

Haziqa Sajid
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ Τεχνητή Νοημοσύνη μειώνει δραστικά τους χρόνους ανακάλυψης φαρμάκων από χρόνια σε…
Δείτε περισσότερα
  • Η Τεχνητή Νοημοσύνη μειώνει δραστικά τους χρόνους ανακάλυψης φαρμάκων από χρόνια σε μήνες, όπως με τα de novo αντισώματα της Absci που αναπτύχθηκαν σε 18-24 μήνες.
  • Η Γενετική Τεχνητή Νοημοσύνη σχεδιάζει τώρα καινοτόμους υποψήφιους φαρμακευτικούς παράγοντες από το μηδέν, όπως φαίνεται στο Target X της Insilico Medicine που βρίσκεται σε δοκιμές Φάσης 1.
  • Η Τεχνητή Νοημοσύνη για τον εντοπισμό στόχων αποκαλύπτει νέες βιολογικές οδούς, όπως η Verge Genomics που ανέδειξε το ένζυμο PIKfyve για τη θεραπεία της ALS.

Η ανακάλυψη φαρμάκων είναι γνωστή ως “από το εργαστήριο στο κρεβάτι” λόγω της μακράς διάρκειας και του υψηλού κόστους. Παρά την ταχεία πρόοδο της τεχνολογίας, χρειάζονται περίπου 11 έως 16 χρόνια και μεταξύ $1 δισεκατομμύριο έως $2 δισεκατομμύρια για να φέρει ένα φάρμακο στην αγορά. Όμως τώρα το AI μετασχηματίζει την ανάπτυξη φαρμάκων, προσφέροντας καλύτερο ρυθμό και κέρδη.

Το AI στην ανάπτυξη φαρμάκων έχει μεταμορφώσει την προσέγγισή μας και την στρατηγική μας για την βιοϊατρική έρευνα και καινοτομία. Έχει βοηθήσει τους ερευνητές να μειώσουν την πολυπλοκότητα των βιολογικών οδών μιας ασθένειας και να αναγνωρίσουν βιολογικούς στόχους.

Ας δούμε πιο βαθιά σε τι δυνατότητες έχει το AI στην ανακάλυψη φαρμάκων για το μέλλον.

Κατανοώντας τον Ρόλο του AI: Πώς Χρησιμοποιείται για την Ανακάλυψη Φαρμάκων;

Κατανοώντας τον Ρόλο του AI: Πώς Χρησιμοποιείται για την Ανακάλυψη Φαρμάκων;

Το AI έχει βελτιώσει τα διάφορα στάδια της διαδικασίας ανακάλυψης φαρμάκων με την ικανότητά του να αναλύει τεράστιες ποσότητες δεδομένων και να κάνει σύνθετες προβλέψεις. Εδώ είναι πώς:

1. Αναγνώριση Στόχου

Η αναγνώριση στόχου είναι η πρώτη διαδικασία της ανακάλυψης φαρμάκων, η οποία περιλαμβάνει την αναγνώριση πιθανών μοριακών οντοτήτων, όπως πρωτεΐνες, ένζυμα και υποδοχείς, που υπάρχουν στο σώμα και μπορούν να συνδυαστούν με φάρμακα για να παράγουν θεραπευτικές επιδράσεις κατά των ασθενειών.

Το AI μπορεί να αξιοποιήσει μεγάλες κλινικές βάσεις δεδομένων που περιλαμβάνουν κρίσιμες πληροφορίες για την αναγνώριση στόχου. Αυτά τα δεδομένα μπορούν να περιλαμβάνουν βιοϊατρική έρευνα, βιομοριακή πληροφορία, δεδομένα κλινικών δοκιμών, δομές πρωτεϊνών κ.λπ.

Εκπαιδευμένα μοντέλα AI μαζί με βιοϊατρικές τεχνικές όπως η έκφραση γονιδίων μπορούν να κατανοήσουν σύνθετες βιολογικές ασθένειες και να αναγνωρίσουν τους βιολογικούς στόχους για τα υποψήφια φάρμακα. Για παράδειγμα, ερευνητές έχουν αναπτύξει διάφορες τεχνικές AI για την αναγνώριση νέων αντικαρκινικών στόχων.

2. Επιλογή Στόχου

Το AI στην ανακάλυψη φαρμάκων μπορεί να βοηθήσει τους ερευνητές να επιλέξουν υποσχόμενους στόχους με βάση τις συσχετίσεις ασθένειας και την προβλεπόμενη θεραπευτική χρησιμότητα. Με ισχυρή αναγνώριση προτύπων, το AI μπορεί να κάνει αυτήν την επιλογή με βάση όχι μόνο τις δηλωμένες ιατρικές βιβλιογραφίες αλλά και να επιλέξει εντελώς νέους στόχους χωρίς προηγούμενη αναφορά σε δημοσιευμένα διπλώματα ευρεσιτεχνίας.

3. Προτεραιότητα Φαρμάκων

Σε αυτό το στάδιο, το AI αξιολογεί και βαθμολογεί τις υποψήφιες ουσίες φαρμάκων, δίνοντάς τους προτεραιότητα για περαιτέρω αξιολόγηση και έρευνα για να προωθήσει την ανάπτυξή τους. Σε σύγκριση με τις προηγούμενες μεθόδους βαθμολόγησης, οι προσεγγίσεις που βασίζονται στο AI είναι πιο αποτελεσματικές στην αναγνώριση των πιο υποσχόμενων υποψηφίων. Για παράδειγμα, ερευνητές έχουν αναπτύξει ένα υπολογιστικό πλαίσιο βασισμένο στη βαθιά μάθηση για να εντοπίσουν και να ιεραρχήσουν νέα φάρμακα για την ασθένεια του Αλτσχάιμερ.

4. Έλεγχος Χημικών Ενώσεων

Τα μοντέλα AI μπορούν να προβλέψουν τις χημικές ιδιότητες και τη βιοδραστικότητα των ουσιών και να παρέχουν πληροφορίες για τις ανεπιθύμητες επιδράσεις. Μπορούν να αναλύσουν δεδομένα από διάφορες πηγές, συμπεριλαμβανομένων προηγούμενων μελετών και βάσεων δεδομένων, για να αναγνωρίσουν πιθανούς κινδύνους ή παρενέργειες που σχετίζονται με μια συγκεκριμένη ουσία. Για παράδειγμα, ερευνητές έχουν αναπτύξει ένα εργαλείο βαθιάς μάθησης για να ελέγξουν χημικές βιβλιοθήκες με δισεκατομμύρια μόρια για να επιταχύνουν σημαντικά την εξερεύνηση μεγάλης κλίμακας.

5. Νέα Σχεδίαση Φαρμάκων

Ο χειροκίνητος έλεγχος μεγάλων συλλογών χημικών ενώσεων αποτελεί παραδοσιακή πρακτική στην ανακάλυψη φαρμάκων. Με το AI, οι ερευνητές μπορούν να ελέγξουν νέες ουσίες με ή χωρίς προηγούμενη πληροφορία και να προβλέψουν την τελική τρισδιάστατη δομή των ανακαλυφθέντων φαρμάκων. Για παράδειγμα, το AlphaFold, που αναπτύχθηκε από την DeepMind, είναι ένα σύστημα AI που μπορεί να προβλέψει δομές πρωτεϊνών. Διατηρεί μια βάση δεδομένων με πάνω από 200 εκατομμύρια προβλέψεις δομών πρωτεϊνών που μπορούν να επιταχύνουν τη διαδικασία σχεδίασης φαρμάκων.

5 Επιτυχημένα Παραδείγματα Ανακάλυψης Φαρμάκων με AI

5 Επιτυχημένα Παραδείγματα Ανακάλυψης Φαρμάκων με AI

1) Abaucin

Τα αντιβιοτικά σκοτώνουν βακτήρια. Όμως λόγω της έλλειψης νέων φαρμάκων και της ταχείας εξέλιξης της βακτηριακής αντοχής έναντι των παλαιότερων φαρμάκων, τα βακτήρια γίνονται δύσκολα να θεραπευτούν. Το Abaucin, ένα πειραματικό αντιβιοτικό που αναπτύχθηκε με AI, σχεδιάστηκε για να σκοτώσει το Acinetobacter baumannii, ένα από τα πιο επικίνδυνα superbug βακτήρια.

Χρησιμοποιώντας το AI, οι ερευνητές δοκίμασαν αρχικά χιλιάδες φάρμακα για να εξετάσουν πόσο καλά λειτουργούν κατά του βακτηρίου, Acinetobacter baumannii. Στη συνέχεια, αυτή η πληροφορία χρησιμοποιήθηκε για να εκπαιδεύσει το AI να αναπτύξει ένα φάρμακο που μπορεί να θεραπεύσει αποτελεσματικά.

2) Target X από την Insilico Medicine

Η Insilico Medicine χρησιμοποίησε την πλατφόρμα Παραγωγικής AI και δημιούργησε ένα φάρμακο που ονομάζεται Target X, το οποίο είναι τώρα σε κλινικές δοκιμές Φάσης 1. Το Target X σχεδιάστηκε για να θεραπεύσει την Ιδιοπαθή Πνευμονική Ίνωση, μια ασθένεια που μπορεί να προκαλέσει σκλήρυνση των πνευμόνων σε ηλικιωμένα άτομα εάν δεν θεραπευτεί. Η Φάση 1 θα περιλαμβάνει 80 συμμετέχοντες και οι μισοί θα λάβουν υψηλότερες δόσεις σταδιακά. Αυτό θα βοηθήσει να αξιολογηθεί πώς το μόριο του φαρμάκου αλληλεπιδρά με το ανθρώπινο σώμα.

3) VRG50635 από την Verge Genomic

Η Verge Genomics, μια εταιρεία ανακάλυψης φαρμάκων με AI, χρησιμοποίησε την πλατφόρμα CONVERGE για να ανακαλύψει μια νέα ουσία, VRG-50635, για την θεραπεία της ALS αναλύοντας ανθρώπινες πληροφορίες. Οι πληροφορίες αυτές περιελάμβαναν δεδομένα για τους ιστούς του εγκεφάλου και του σπονδυλικού μυελού των ασθενών με νευροεκφυλιστικές ασθένειες όπως η νόσος του Πάρκινσον, η ALS και η Αλτσχάιμερ.

Η πλατφόρμα εντόπισε αρχικά το ένζυμο PIKfyve ως πιθανό στόχο για την ALS και στη συνέχεια πρότεινε το VRG50635 ως υποσχόμενο αναστολέα του PIKfyve, καθιστώντας το πιθανό υποψήφιο φάρμακο για τη θεραπεία της ALS. Η διαδικασία διήρκεσε περίπου τέσσερα χρόνια και το υποψήφιο φάρμακο βρίσκεται τώρα στη φάση 1 δοκιμών σε ανθρώπους.

4) Exscientia-A2a Receptor

Η Exscientia, μια εταιρεία AI, είναι υπεύθυνη για το πρώτο μόριο που σχεδιάστηκε με AI για θεραπεία ανοσο-ονκολογίας – μια μορφή θεραπείας καρκίνου που χρησιμοποιεί το ανοσοποιητικό σύστημα του σώματος για να καταπολεμήσει τις καρκινικά κύτταρα. Το φάρμακο τους έχει εισέλθει στη φάση κλινικών δοκιμών. Η δυνατότητά του βρίσκεται στην ικανότητά του να στοχεύει τον A2a υποδοχέα για να προωθήσει αντι-ονκογενείς δραστηριότητες ενώ εξασφαλίζει λιγότερες παρενέργειες στο σώμα και τον εγκέφαλο.

Χρησιμοποιώντας παραγωγική AI, δημιούργησαν και άλλες χημικές ενώσεις για τη στόχευση διαφόρων ασθενειών, όπως:

5) Absci-de Novo Αντισώματα με Zero-Shot Παραγωγική AI

Η Absci, μια εταιρεία ανακάλυψης φαρμάκων με παραγωγική AI, έχει επιδείξει τη χρήση παραγωγικής AI zero-shot για τη δημιουργία de novo αντισωμάτων μέσω υπολογιστικής προσομοίωσης. Η μηχανική μάθηση zero-shot σημαίνει ότι το μοντέλο AI δεν έχει εξεταστεί ρητά στην τρέχουσα είσοδο κατά τη φάση εκπαίδευσης. Έτσι, αυτή η διαδικασία μπορεί να παράγει νέες σχεδιάσεις αντισωμάτων από μόνη της.

Τα de novo θεραπευτικά αντισώματα που βασίζονται στην AI μειώνουν τον χρόνο ανάπτυξης νέων υποψήφιων φαρμάκων από έως έξι χρόνια σε μόλις 18 έως 24 μήνες, αυξάνοντας την πιθανότητα επιτυχίας τους στην κλινική πράξη. Η τεχνολογία της εταιρείας μπορεί να δοκιμάζει και να επικυρώνει 3 εκατομμύρια σχέδια παραγόμενα από AI κάθε εβδομάδα. Αυτή η νέα εξέλιξη θα μπορούσε να προσφέρει άμεσα νέες θεραπείες σε κάθε ασθενή, σηματοδοτώντας μια σημαντική αλλαγή στον κλάδο.

Τι επιφυλάσσει το μέλλον της AI και της ανακάλυψης φαρμάκων;

Εκτός από πολλές άλλες εφαρμογές υγείας, το AI κάνει τη διαδικασία ανακάλυψης φαρμάκων ταχύτερη και πιο έξυπνη αναλύοντας τεράστιες βάσεις δεδομένων και προβλέποντας υποσχόμενους στόχους και υποψήφιους φάρμακους. Χρησιμοποιώντας παραγωγική AI, οι βιοτεχνολογικές εταιρείες μπορούν να αναγνωρίσουν δείκτες απόκρισης ασθενών και να αναπτύξουν προσαρμοσμένα σχέδια θεραπείας γρήγορα.

Μια αναφορά υποδεικνύει ότι σύντομα, περισσότερες εταιρείες MedTech θα ενσωματώσουν AI και μηχανική μάθηση στην πρώιμη ανακάλυψη φαρμάκων, το οποίο θα βοηθήσει να δημιουργηθεί μια αγορά $50 δισεκατομμυρίων μέσα στα επόμενα δέκα χρόνια, δημιουργώντας σημαντικές προοπτικές για το AI στη φαρμακευτική βιομηχανία. Το AI θα μειώσει πιθανώς το συνολικό κόστος ανακάλυψης φαρμάκων, καθιστώντας περισσότερα καινοτόμα φάρμακα διαθέσιμα στους ασθενείς πιο γρήγορα.

Εάν θέλετε να μάθετε περισσότερα για το AI και πώς θα διαμορφώσει το μέλλον μας, επισκεφθείτε unite.ai.

Haziqa Sajid

Haziqa εργάζεται στον τομέα της επιστήμης δεδομένων με εκτεταμένη εμπειρία στη συγγραφή τεχνικού περιεχομένου για εταιρείες AI και SaaS.