Tekoälyajohteinen lääketieteellinen läpimurto: hyödyntäen tekoälyä uusien lääkeaineiden löytämiseen

Lääkeaineiden kehittäminen on pitkä ja kallis prosessi, josta käytetään nimitystä “laboratoriosta potilaan vuoteeseen”. Se kestää noin 11-16 vuotta ja maksaa noin 1-2 miljardia dollaria. Mutta nyt tekoäly vallankumouuttaa lääkekehitystä, tarjoamalla nopeamman ja kannattavamman prosessin.

Tekoäly on muuttanut lähestymistapaamme ja strategiaamme biolääketieteelliseen tutkimukseen ja innovaatioon. Se on auttanut tutkijoita yksinkertaistamaan sairauden mekanismeja ja tunnistamaan biologiset kohteet.

Tutustumme nyt tarkemmin siihen, mitä tekoäly lääkeaineiden löytämisessä tulee tulevaisuudessa tarjoamaan.

Tekoälyn rooli: miten se käytetään lääkeaineiden löytämisessä?

Tekoäly on parantanut lääkeaineiden löytämisprosessin eri vaiheita analysoimalla suuria määriä dataa ja tekemällä monimutkaisia ennusteita. Tässä on kuinka:

1. Kohdetunnistus

Kohdetunnistus on lääkeaineiden löytämisprosessin ensimmäinen vaihe, jossa tunnistetaan mahdolliset molekyylirakenteet, kuten proteiinit, entsyymit ja reseptorit, jotka voivat yhdistyä lääkeaineiden kanssa sairausten hoitoon.

Tekoäly voi hyödyntää suuria kliinisiä tietokantoja, jotka sisältävät tärkeitä tietoja kohdetunnistuksesta. Nämä tietolähteet voivat sisältää biolääketieteellistä tutkimusta, biomolekyylitietoja, kliinisten kokeiden tietoja, proteiinirakenteita jne.

Koulutetut tekoälymallit yhdessä biolääketieteellisten menetelmien kanssa, kuten geeni-ilmaisun, voivat ymmärtää monimutkaisia biologisia sairauksia ja tunnistaa biologiset kohteet lääkeehdokkaille. Esimerkiksi tutkijat ovat kehittäneet erilaisia tekoälymenetelmiä uusien vastasyöpälääkekohteiden tunnistamiseen.

2. Kohteen valinta

Tekoäly lääkeaineiden löytämisessä voi auttaa tutkijoita valitsemaan lupaavia kohteita sairauksien yhteyden ja ennustetun terapeuttisen hyödyn perusteella. Vahvan mallintunnistuksen avulla tekoäly voi tehdä tämän valinnan ei vain julkaistun lääketieteellisen kirjallisuuden perusteella, vaan myös valita täysin uusia kohteita, joilla ei ole aiempaa viittausta julkaistuissa patenteissa.

3. Lääkeaineiden priorisointi

Tässä vaiheessa tekoäly arvioi ja priorisoi lääkeaineiden ehdokkaita edelleen arvioimiseen ja tutkimukseen. Vertailukohtana aiempiin ranking-menetelmiin, tekoälyperusteiset lähestymistavat ovat tehokkaampia tunnistamassa lupaavimmat ehdokkaat. Esimerkiksi tutkijat ovat kehittäneet syvän oppimisen perustuvan laskennallisen kehyksen uusien lääkeaineiden tunnistamiseen Alzheimerin taudin hoidossa.

4. Yhdisteiden seulonta

Tekoälymallit voivat ennustaa yhdisteiden kemiallisia ominaisuuksia ja bioaktiivisuutta ja antaa tietoa haittavaikutuksista. Ne voivat analyysin avulla tunnistaa mahdolliset riskit tai sivuvaikutukset, jotka liittyvät tiettyyn yhdisteeseen. Esimerkiksi tutkijat ovat kehittäneet syvän oppimisen työkalun kemiallisten kirjastojen seulontaan, jossa on miljardeja molekyylejä, jotta voidaan merkittävästi kiihdyttää laajamittaista yhdisteiden etsintää.

5. Uuden lääkeaineen suunnittelu

Perinteinen lähestymistapa lääkeaineiden löytämisessä on ollut manuaalinen seulonta suurista yhdisteiden kokoelmista. Tekoälyn avulla tutkijat voivat seulata uusia yhdisteitä ilman aiempaa tietoa ja ennustaa löydetyiden lääkeaineiden lopullisen 3D-rakenteen. Esimerkiksi AlphaFold, jonka on kehittänyt DeepMind, on tekoälyjärjestelmä, joka voi ennustaa proteiinirakenteita. Se ylläpitää yli 200 miljoonan proteiinirakenteen ennusteen tietokantaa, joka voi kiihdyttää lääkeaineiden suunnitteluprosessia.

5 onnistunutta tekoälypohjaista lääkeaineiden löytämisestä

1) Abaucin

Antibiootit tappavat bakteereja. Mutta uusien lääkeaineiden puutteen ja bakteerien nopean resistenssin kehittymisen vuoksi vanhoja lääkeaineita vastaan, bakteerit ovat muuttuneet hoidettaviksi. Abaucin, tekoälykehittämä voimakas kokeellinen antibiootti, on suunniteltu tappamaan Acinetobacter baumannii, yksi vaarallisimmista superbakteereista.

Käyttämällä tekoälyä tutkijat testasivat ensin tuhansia lääkeaineita sen mukaan, miten hyvin ne toimivat bakteeria vastaan, Acinetobacter baumannia. Tämän tiedon avulla tekoälyä koulutettiin kehittämään lääkeaine, joka voi tehokkaasti hoitaa tautia.

2) Insilico Medicinen kohde X

Insilico Medicine käytti generatiivista tekoälyä luomaan lääkeaineen, jota kutsutaan nimellä kohde X, joka on parhaillaan vaihe 1:n kliinisissä kokeissa. Kohde X on suunniteltu hoitoon idiopaattista keuhkofibroosia, sairautta, joka voi aiheuttaa keuhkojen jäykkyys vanhemmilla henkilöillä, jos sitä ei hoideta. Vaihe 1:ssä osallistuu 80 osanottajaa, ja puolet saa korkeampia annoksia asteittain. Tämä auttaa arvioimaan, miten lääkeaine vaikuttaa ihmiskehoon.

3) Verge Genomicin VRG50635

Verge Genomics, tekoälylääkeaineiden kehittämisyritys, käytti tekoälyalustaa CONVERGE löytämään uuden yhdisteen, VRG-50635, ALS:n hoitoon analysoimalla ihmisten dataa. Datakohteisiin kuului tietoa aivo- ja selkäydinten kudoksista potilailla, joilla on neurodegeneratiivisia sairauksia, kuten Parkinsonin tautia, ALS:ää ja Alzheimerin tautia.

Alusta tunnisti ensin PIKfyve-entsyymin mahdolliseksi kohteeksi ALS:lle ja ehdotti VRG50635:ta lupaavaksi PIKfyve:n estäjäksi, josta tuli mahdollinen lääkeehdokas ALS:n hoitoon. Prosessi kesti noin neljä vuotta, ja nyt ehdokas on vaiheessa 1 kliinisissä kokeissa.

4) Exscientia-A2a-reseptori

Exscientia, tekoälyterveydenhuollon yritys, on vastuussa ensimmäisestä tekoälysuunnitellusta molekyylistä immuuniterapiaan – syövän hoidon muoto, jossa keho käyttää immuunijärjestelmäänsä taistelemaan syöpäsoluja vastaan. Heidän tekoälylääkeaineensa on edennyt kliinisiin kokeisiin. Sen potentiaali piilee sen kyvyssä kohdistaa A2a-reseptoria edistääkseen anti-tumoriaktiivisuutta vähentäen sivuvaikutuksia keholle ja aivolle.

Käyttämällä generatiivista tekoälyä he ovat luoneet muita yhdisteitä erilaisiin sairauksiin, kuten

• Transkriptioon riippuvat syövät kohdistamalla CDK7-estäjiä
• tulehdussairauksia kohdistamalla PKC-theta-entsyymiä
• veren- ja syöpäsairauksia kohdistamalla LSD1-säätelijää

5) Absci – uudet vasta-aineet tekoälyllä

Absci, tekoälylääkeaineiden kehittämisyritys, on osoittanut tekoälyn käytön uusien vasta-aineiden luomiseen tietokonesimulaation avulla. Zero-shot-opetus tarkoittaa, että tekoälymalli ei ole käynyt läpi nykyistä syötettä koulutusvaiheessa. Tämä prosessi voi luoda uusia vasta-aineita omalla tavallaan.

Uudet tekoälyvoimatut vasta-aineet leikkaavat uusien lääkeaineiden kehittämiseen kuluvan ajan kuudesta vuodesta 18-24 kuukauteen, lisäten heidän onnistumismahdollisuuksiaan klinikassa. Yrityksen teknologia voi testata ja validoida 3 miljoonaa tekoälyluotua suunnitelmaa viikossa. Tämä uusi kehitys voi toimittaa uusia lääkkeitä jokaiselle potilaalle, merkiten merkittävää teollista muutosta.

Mikä on tekoälyn ja lääkeaineiden löytämisen tulevaisuus?

Lisäksi monien muiden terveydenhuollon sovellusten ohella tekoäly nopeuttaa ja tehostaa lääkeaineiden löytämistä analysoimalla suuria tietomääriä ja ennustamalla lupaavia lääkekohteita ja -ehdokkaita. Käyttämällä generatiivista tekoälyä biotekniikkayritykset voivat tunnistaa potilaiden reaktiota ja kehittää henkilökohtaisia hoitosuunnitelmia nopeasti.

Raportin mukaan pian enemmän terveydenhuollon teknologiaa hyödyntävät yritykset ottavat tekoälyn ja koneoppimisen käyttöön varhaisessa lääkeaineiden löytämisvaiheessa, mikä auttaa luomaan 50 miljardin dollarin markkinan seuraavien kymmenen vuoden aikana, luoden merkittävän kasvumahdollisuuden tekoälylle lääketeollisuudessa. Tekoäly voi vähentää lääkeaineiden löytämisen kustannuksia, jotta uusia lääkeaineita voidaan saada potilaille nopeammin.

Jos haluat tietää enemmän tekoälystä ja siitä, miten se muuttaa tulevaisuuttamme, vieraile unite.ai-sivustolla.