Πώς το AI Καταρρίπτει τα Φραγμούς στη Ανακάλυψη Φαρμάκων Μικρών Μορίων

Οι κλινικές δοκιμές για την ανάπτυξη φαρμάκων είναι δραματικά αργές και ακριβές, και μόνο một μικρός ποσοστό των υποψηφίων φαρμάκων καταλήγει να εγκριθεί από τις ρυθμιστικές αρχές. Οι εκτενείς φραγμοί στη διαδικασία παραδοσιακής ανακάλυψης φαρμάκων είναι πολύ οικείοι σε εκείνους στη βιομηχανία φαρμάκων: Η κλινική φάση μόνη της διαρκεί περίπου μια δεκαετία και αντιστοιχεί σε σχεδόν τα τρία τέταρτα του κόστους έρευνας και ανάπτυξης, με το μέσο κόστος ανάπτυξης ενός φαρμάκου να αυξάνεται σε einen εκπληκτικό $2.2 δισεκατομμύρια το 2024.

Πιθανότατα, το πιο κρίσιμο, η βιομηχανία φαρμάκων έχει παλέψει με την ακριβή πρόβλεψη επιτυχημένων αποτελεσμάτων ανάπτυξης κατά την πρώιμη φάση εργασίας: Περίπου 80-90 τοις εκατό των υποψηφίων φαρμάκων αποτυγχάνουν να εγκριθούν παρά τις πολλές χρονιές και την εκτεταμένη χρηματοδότηση που επενδύεται στην ανάπτυξή τους. Η ασφάλεια του φαρμάκου είναι ένας μεγάλος λόγος γι’ αυτό, με την απροσδόκητη τοξικότητα να αντιστοιχεί σε περίπου 30 τοις εκατό των αποτυχιών ανάπτυξης φαρμάκων.

Τα μόρια που ανακαλύπτονται από το AI είναι πιο επιτυχημένα στις δοκιμές Φάσης Ι

Ωστόσο, τα αναδυόμενα δεδομένα δείχνουν ότι η τεχνητή νοημοσύνη και οι υπολογιστικές προσεγγίσεις δεν αντιμετωπίζουν μόνο αυτές τις προκλήσεις – τις μεταμορφώνουν ουσιαστικά στην ικανότητά μας να προβλέψουμε επιτυχημένα αποτελέσματα. Τα πρώιμα στάδια της νέας ανάπτυξης φαρμάκων είναι ιδιαίτερα κρίσιμα – και αυτό είναι το σημείο όπου το AI και η υπολογιστική χημεία μπορούν να έχουν την μεγαλύτερη επίδραση.

Αυτές οι προσεγγίσεις AI και υπολογιστικής χημείας μπορούν να βοηθήσουν στην εύρεση αποτελεσματικών νέων θεραπειών για την στόχευση των σωστών πρωτεϊνών για την αντιμετώπιση της νόσου στην πρώιμη φάση ανακάλυψης και βελτίωσης, αντί να γίνει αργότερα στη διαδικασία, που έχει μακρό χρονικό διάστημα. Η υπολογιστική πρόβλεψη τοξικότητας είναι ιδιαίτερα χρήσιμη στις πρώιμες φάσεις της ανακάλυψης φαρμάκων, επειδή μπορεί να εξαιρέσει μόρια που είναι πιθανό να αποτύχουν στις κλινικές δοκιμές. Η εύρεση των καλύτερων φαρμάκων νωρίτερα – και η αποβολή εκείνων που δεν θα δουλέψουν – μπορεί να σώσει μια δεκαετία ακριβών ερευνών και να αυξήσει την πιθανότητα ότι το φάρμακο θα περάσει την κλινική φάση δοκιμών.

Πρόσφατη έρευνα σε εταιρείες βιοτεχνολογίας που είναι ιθαγενείς στο AI αποκαλύπτει ενθαρρυντικές τάσεις που δείχνουν ότι οι υπολογιστικές προσεγγίσεις αρχίζουν να υπερνικούν κάποιες από τις πιο θεμελιώδεις προκλήσεις στην ανακάλυψη φαρμάκων. Για παράδειγμα, μια ανάλυση που δημοσιεύθηκε στο Drug Discovery Today βρήκε ότι τα μόρια που ανακαλύπτονται από το AI είναι ουσιαστικά περισσότερο επιτυχημένα από τα ιστορικά μέσα της βιομηχανίας στις δοκιμές Φάσης Ι – φθάνοντας σε ποσοστό επιτυχίας 80-90 τοις εκατό στη Φάση Ι, σε σύγκριση με το 40-65 τοις εκατό μέσο όρο της βιομηχανίας.

Αυτή η πρώιμη επιτυχία είναι ιδιαίτερα σημαντική επειδή δείχνει ότι οι προσεγγίσεις που οδηγούνται από το AI λύνουν μια από τις πιο θεμελιώδεις προκλήσεις στην ανακάλυψη φαρμάκων: το σχεδιασμό μορίων που κατέχουν τα πολλαπλά χαρακτηριστικά που απαιτούνται για την φαρμακευτική ανάπτυξη.

Η δύναμη της βελτιστοποίησης πολλαπλών παραμέτρων

Στην καρδιά αυτής της μεταμόρφωσης βρίσκεται μια ικανότητα που η υπολογιστική χημεία που ενισχύεται από το AI είναι πολύ καλύτερη και ταχύτερη από τους ανθρώπους: η βελτιστοποίηση πολλαπλών παραμέτρων, η διαδικασία ισορροπίας πολλών ιδιοτήτων ενός πιθανό φαρμάκου ταυτόχρονα – όπως η ισχύς, η ασφάλεια, η ειδικότητα, η διαπερατότητα του αιματοεγκεφαλικού φραγμού και πολλά άλλα. Αυτό κάνει το σχεδιασμό των πιο υποσχόμενων υποψηφίων πιο ακριβή, ταχύτερο και αποτελεσματικό, ακόμη και αν αυτές οι ιδιότητες έρχονται σε σύγκρουση μεταξύ τους.

Οι παραδοσιακές προσεγγίσεις στην ανακάλυψη φαρμάκων μπορούν να βελτιστοποιήσουν μόνο μία παράμετρο κάθε φορά, καθιστώντας δύσκολο το να βελτιωθεί ένα χαρακτηριστικό χωρίς να επηρεαστούν αρνητικά τα άλλα. Για παράδειγμα, ένα φάρμακο που προορίζεται για την αντιμετώπιση όγκων εγκεφάλου πρέπει να μπορεί να διαπεράσει τον αιματοεγκεφαλικό φραγμό για να φτάσει στον εγκέφαλο. Αλλά ένα φάρμακο που διαπερνά τον φραγμό αποτελεσματικά μπορεί να μην είναι αρκετά επιλεκτικό για το στόχο του, το οποίο μπορεί να μειώσει την αποτελεσματικότητα του φαρμάκου ή να προκαλέσει ανεπιθύμητες παρενέργειες. Οι παραδοσιακές προσεγγίσεις μπορεί να βελτιστοποιήσουν ζητήματα όπως η διαπερατότητα του αιματοεγκεφαλικού φραγμού πρώτα και να αντιμετωπίσουν άλλες ιδιότητες αργότερα, потенτικά推 đẩy τα προβλήματα στην πορεία αντί να τα αντιμετωπίσουν στην αρχή της διαδικασίας.

Εν τω μεταξύ, τα υπολογιστικά εργαλεία που ενισχύονται από το AI μεταμορφώνουν ουσιαστικά την προσέγγιση στο σχεδιασμό φαρμάκων. Αντί της σειριακής βελτιστοποίησης που μπορεί να οδηγήσει σε αποτυχίες αργότερα, το AI επιτρέπει την ταυτόχρονη βελτιστοποίηση σε όλες τις κρίσιμες παραμέτρους ήδη στη φάση ανακάλυψης. Με το AI, οι ερευνητές μπορούν να εισαγάγουν δεδομένα για πολλαπλά περιοριστικά και να ζητήσουν από τους αλγόριθμους να βρουν ένα γνωστό μόριο που λειτουργεί καλύτερα με όλα αυτά τα περιοριστικά – ή να δημιουργήσουν ένα νέο. Χρησιμοποιώντας τα γρήγορα εξελισσόμενα εργαλεία γενετικής νοημοσύνης και μηχανικής μάθησης για την ανάπτυξη ιδανικών υποψηφίων φαρμάκων ταχύτερα και πιο ακριβώς, αναλύοντας ταυτόχρονα πολλαπλά παραμέτρα, αυξάνει την πιθανότητα επιτυχίας και αναμένεται τελικά να οδηγήσει στην ανάπτυξη πιο αποτελεσματικών, αξιόπιστων και ασφαλών θεραπειών για τους ασθενείς.

Τα υπολογιστικά εργαλεία που βασίζονται στο AI μπορούν επίσης να μάθουν τις μοναδικές απαιτήσεις για διαφορετικές θεραπευτικές περιοχές. Οι αλγόριθμοι του AI μπορούν να ενσωματώσουν αυτές τις νюανσικές απαιτήσεις για να δημιουργήσουν υποψήφιους φαρμάκων που είναι προσαρμοσμένοι για συγκεκριμένες ασθένειες και στόχους οργάνων αντί να ικανοποιούν γενικά κριτήρια για να είναι φαρμακευτικά μόρια. Για παράδειγμα, một hợp chất που στοχεύει όγκους εγκεφάλου αντιμετωπίζει διαφορετικές προκλήσεις βελτιστοποίησης από ένα που σχεδιάζεται για τη χρόνια φλεγμονή που συνδέεται με διαβήτη, αθηροσκλήρωση και άλλες ασθένειες.

Για να ενδυναμώσουν πραγματικά αυτές τις προσεγγίσεις που οδηγούνται από το AI, απαιτούνται υπερμεγέθεις συνόλους δεδομένων μορίων, τόσο για την οθόνη όσο και, πιο σημαντικά, για την εκπαίδευση αυτών των μοντέλων. Όσο μεγαλύτερο είναι το σύνολο δεδομένων, τόσο μεγαλύτερος είναι ο χημικός χώρος που καλύπτεται, το οποίο αυξάνει επίσης τις πιθανότητες επιτυχίας. Αντί να οθονίζουν δεκάδες χιλιάδες (ή ακόμη και quelques εκατομμύρια) μόρια και να μεταφέρουν μερικές δεκάδες στην ανάπτυξη, οι υπολογιστικοί ερευνητές μπορούν να οθονίσουν μέχρι δισεκατομμύρια μόρια.

Ο επόμενος βήμας: Ενοποίηση προσεγγίσεων AI στις διαδικασίες ανάπτυξης

Με την αυξημένη сложκότητα αυτών των προσεγγίσεων, μια σημαντική πρόκληση είναι η ικανότητα να τις εκτελέσουν σε κλίμακα.，因此, ο επόμενος βήμας για την εκμετάλλευση του AI στην ανακάλυψη φαρμάκων είναι η ενσωμάτωση εργαλείων που επιτρέπουν τη διαδικασία ανακάλυψης να κλιμακωθεί μέσω της χρήσης एजέντων AI – αυτόνομων υπολογιστικών συστημάτων που μπορούν να εκτελέσουν σύνθετα καθήκοντα ή διαδικασίες χωρίς συνεχή ανθρώπινη παρέμβαση.

Για παράδειγμα, τα एजέντα μπορούν να χρησιμοποιηθούν για τη συλλογή και ανάλυση της αναγκαίας και συνεχώς αυξανόμενης ποσότητας πληροφοριών και να αποκλείσουν τους λιγότερο σχετικούς υποψήφιους φαρμάκων.

Μόλις τα एजέντα εκπαιδευτούν σε πολλά παραμέτρα, χημικά περιοριστικά και άλλες σχετικές μεταβλητές όπως τα επίπεδα τοξικότητας και οι απαιτήσεις της FDA, θα είναι τελικά σε θέση να παρέχουν στους ερευνητές τους πρωτοπόρους υποψήφιους μοριακούς για οποιαδήποτε ασθένεια.

Η πρόκληση της βιομηχανίας φαρμάκων τώρα δεν είναι αν θα υιοθετήσει την υπολογιστική ανάπτυξη φαρμάκων που οδηγείται από το AI, αλλά πόσο γρήγορα και αποτελεσματικά μπορεί να ενσωματωθεί στις υφιστάμενες διαδικασίες ανάπτυξης. Ενώ παραμένουν προκλήσεις, οι πρώτες ενδείξεις δείχνουν ότι το AI και η υπολογιστική χημεία κατέχουν το κλειδί για καλύτερα φάρμακα που αναπτύσσονται πιο αποτελεσματικά και φτάνουν σε περισσότερους ασθενείς πιο γρήγορα από ποτέ.