Kuinka tekoäly murtuu pienmolekyylisen lääkekehityksen pullonkaulat

Kliiniset kokeet lääkekehityksessä ovat mainittavasti hitaita ja kalliita, ja vain pieni osa lääkeehdokkaista hyväksytään lopulta viranomaisten toimesta. Perinteisen lääkekehitysprosessin laajat pullonkaulat ovat kaikille lääketeollisuudessa toimiville tuttuja: Kliininen vaihe yksin kestää noin kymmenen vuotta ja vastaa lähes kolmea neljäsosaa tutkimus- ja kehityskustannuksista, ja lääkkeen kehittämisen keskimääräinen kustannus on noussut hämmästyttävään 2,2 miljardiin dollariin vuonna 2024.

Ehkä kriittisin ongelma on, että lääketeollisuus on kamppaillut lääkekehityksen alkuvaiheessa tapahtuvan onnistuneen kehittämisen ennustamisen kanssa: noin 80-90 prosenttia lääkeehdokkaista epäonnistuu hyväksymisessä, huolimatta siitä, että niihin on käytetty vuosia ja laajoja resursseja. Lääkkeen turvallisuus on suuri syy tähän, ja odottamattoman toksisuuden osuus lääkekehityksen epäonnistumisista on noin 30 prosenttia.

Tekoälyllä löydetyt molekyylit ovat menestyksekkäämpiä faasi I -kokeissa

Uudet tutkimustulokset viittaavat kuitenkin siihen, että tekoäly ja laskennalliset lähestymistavat eivät ainoastaan ratkaise näitä haasteita, vaan muuttavat perustavasti kykyämme ennustaa onnistuneita tuloksia. Lääkekehityksen alkuvaihe on erityisen tärkeä – ja tässä vaiheessa tekoäly ja laskennallinen kemia voivat tehdä merkittävimmän vaikutuksensa.

Nämä tekoäly- ja laskennalliset lähestymistavat voivat auttaa löytämään tehokkaita uusia hoitovaihtoehtoja, jotka kohdistuvat oikeisiin proteiineihin taudin hoitoon löytymis- ja optimointivaiheessa, eikä myöhemmin prosessissa, kuten on perinteisesti ollut. Laskennallinen myrkyllisyyden ennustaminen on erityisen hyödyllistä lääkekehityksen alkuvaiheessa, koska se voi poistaa molekyylit, jotka ovat todennäköisesti epäonnistuvia kliinisisissä kokeissa. Parhaiden lääkeaineiden löytäminen aikaisemmin – ja poistaminen niistä, jotka eivät toimi – voi säästää kymmenen vuoden aikaa kalliista tutkimuksesta ja lisätä lääkkeen hyväksymisen mahdollisuuksia kliinisen kokeen vaiheessa.

Viimeaikaiset tutkimukset tekoälybioteknologiayrityksistä paljastavat rohkaisevia trendejä, jotka viittaavat siihen, että laskennalliset lähestymistavat ovat todella alkaneet voittaa joitakin lääkekehityksen perustavimmista haasteista. Esimerkiksi Drug Discovery Today -julkaisussa julkaistu analyysi osoitti, että tekoälyllä löydetyt molekyylit ovat olleet merkittävästi menestyksekkäämpiä kuin perinteiset teollisuuskeskiarvot faasi I -kokeissa – saavuttaen 80-90 prosentin onnistumisprosentin faasi I -kokeissa, verrattuna 40-65 prosentin teollisuuskeskiarvoon.

Tämä varhaisen vaiheen menestys on erityisen merkittävä, koska se osoittaa, että tekoälylähestymistavat ratkaisevat yhtä lääkekehityksen perustavimmista haasteista: suunnittelemalla molekyylejä, joilla on useita vaadittuja ominaisuuksia lääketeollisuuden kehitykselle.

Moniparametrisen optimoinnin voima

Tekoälyvoimaisen laskennallisen kemian ydin on kyky, jossa se on paljon parempi ja nopeampi kuin ihmiset: moniparametrisen optimoinnin prosessi, jossa useita potentiaalisen lääkkeen ominaisuuksia tasapainotetaan samanaikaisesti – kuten voimakkuus, turvallisuus, spesifisyys, veriaivoesteen läpäisevyys ja monet muut. Tämä tekee siitä paljon tarkemman, nopeamman ja tehokkaamman suunnitella lupaavimmat ehdokkaat, vaikka nämä ominaisuudet ristiriitaiset toisiinsa.

Perinteiset lääkekehityksen lähestymistavat voivat optimoida vain yhden parametrin kerrallaan, mikä tekee vaikeaksi parantaa yhtä ominaisuutta ilman, että se haittaa muita. Esimerkiksi aivokasvaimia hoitava lääke tarvitsee pystyä läpäisemään veriaivoesteen, jotta se voi saavuttaa aivot. Mutta lääke, joka läpäisee esteen tehokkaasti, saattaa olla riittämättömän valikoiva kohdelleen, mikä voi vähentää lääkkeen tehokkuutta tai aiheuttaa ei-toivottuja sivuvaikutuksia. Perinteiset lähestymistavat voivat optimoida veriaivoesteen läpäisevyyttä ensin ja käsitellä muita ominaisuuksia myöhemmin, mikä voi siirtää ongelmia myöhemmäksi vaiheeseen prosessissa.

Vastaavasti tekoälyvoimatut laskennalliset työkalut muuttavat perustavasti lääkesuunnittelun lähestymistapaa. Sen sijaan, että perinteiset lähestymistavat optimoivat järjestyksessä, mikä voi johtaa myöhempiin epäonnistumisiin, tekoäly mahdollistaa samanaikaisen optimoinnin kaikilla kriittisillä parametreilla jo löytymisvaiheessa. Tekoälyllä tutkijat voivat syöttää tietoja useista rajoitteista ja pyytää algoritmeja löytämään parhaimman toimivan molekyylin näiden rajoitteiden kanssa – tai luoda uuden. Nopeasti kehittyvien generatiivisten tekoäly- ja koneoppimistyökalujen avulla voidaan kehittää optimaalisia lääkeehdokkaita nopeammin ja tarkemmin, analysoimalla samanaikaisesti useita parametreja, mikä lisää onnistumisen todennäköisyyttä ja lopulta johtaa tehokkaampien, luotettavampien ja turvallisempien hoidon kehittämiseen potilaille.

Tekoälypohjaiset laskennalliset työkalut voivat myös oppia eri terapia-alojen yksilölliset vaatimukset. Tekoälyalgoritmit voivat sisällyttää nämä hienostuneet vaatimukset luomaan lääkeehdokkaita, jotka on suunniteltu tiettyjä tauteja ja kohde-elimii varten, eikä pelkästään yleisiä kriteerejä lääkemäisille molekyyleille. Esimerkiksi aivokasvaimia kohdistava yhdiste kohtaa erilaisia optimointihaasteita kuin yhdiste, joka on suunniteltu kroonisen tulehduksen hoitoon, joka liittyy diabeteksen, ateroskleroosin ja muiden tautien kanssa.

Näiden tekoälyohjattujen lähestymistapojen todellinen voimaantuminen edellyttää ultra-suuria molekyyliaineistojen käyttöä, sekä näiden mallien harjoittamiseksi että skannaukseen. Mitä suurempi aineisto on, sitä enemmän kemiallista tilaa peittää, mikä myös lisää onnistumisen todennäköisyyttä. Sen sijaan, että skannataan kymmeniä tuhansia (tai jopa muutamia miljoonia) molekyylejä ja siirretään muutamia kymmeniä kehitykseen, laskennalliset tutkijat voivat skannata jopa kymmeniä miljardeja molekyylejä.

Seuraava askel: Tekoälylähestymistapojen integrointi kehitysprosesseihin

Näiden lähestymistapojen kasvavan monimutkaisuuden myötä yksi suuri haaste on kyky suorittaa näitä tehtäviä suuressa mittakaavassa. Siksi tekoälyn hyödyntämisen seuraava askel lääkekehityksessä on ottaa käyttöön työkalut, jotka mahdollistavat löytymisprosessin skaalautumisen tekoälyagenttien avulla – autonomiset laskennalliset järjestelmät, jotka voivat suorittaa monimutkaisia tehtäviä tai prosesseja ilman jatkuvaa ihmisen väliintuloa.

Esimerkiksi agentit voivat kerätä ja analysoida tarvittavaa ja jatkuvasti kasvavaa tietoa ja poistaa vähemmän relevantit lääkeehdokkaat.

Kun agentit on koulutettu monilla parametreilla, kemiallisilla rajoitteilla ja muilla relevantti tärkeillä muuttujilla, kuten myrkyllisyystasolla ja FDA-vaatimuksilla, ne kykenevät lopulta antamaan tutkijoille johtavat molekyyliehdokkaat mille tahansa sairaudelle.

Lääketeollisuuden haaste on nyt ei se, pitäisikö tekoälyvoimaisia laskennallisia lääkekehitysmenetelmiä omaksua, vaan kuinka nopeasti ja tehokkaasti ne voidaan integroida olemassa oleviin kehitysprosesseihin. Vaikka haasteita on edelleen, varhaiset todisteet viittaavat siihen, että tekoäly ja laskennallinen kemia pitävät avaimen parempien lääkkeiden kehittämiseen tehokkaammin ja nopeammin potilaille kuin koskaan aiemmin.