Kuinka tekoäly murtuu pienmolekyylisen lääkekehityksen pullonkaulat

Lääkekehityksen kliiniset kokeet ovat mainioita hitaita ja kalliita, ja vain pieni osa lääkeehdokkaista hyväksytään sääntelyviranomaisten toimesta. Perinteisen lääkekehitysprosessin laajat pullonkaulat ovat lääketeollisuuden ammattilaisille liian tuttuja: Yksin kliininen vaihe kestää noin kymmenen vuotta ja vastaa lähes kolmea neljäsosaa tutkimus- ja kehityskustannuksista, ja lääkkeen kehittämisen keskimääräinen kustannus on noussut hämmästyttävään 2,2 miljardia dollaria vuonna 2024.

Ehkä kriittisimmin lääketeollisuus on kamppaillut onnistuneiden kehitystuloksien tarkalla ennustamisella varhaisessa vaiheessa: noin 80-90 prosenttia lääkeehdokkaista epäonnistuu hyväksymisessä, huolimatta siitä, että niihin on käytetty monia vuosia ja laajaa rahoitusta. Lääkkeen turvallisuus on suuri syy tähän, ja odottamaton myrkyllisyys vastaa noin 30 prosenttia lääkekehityksen epäonnistumisista.

Tekoälyllä löydetyt molekyylit ovat menestyksekkäämpiä faasi I -kokeissa

Uusimmat tutkimukset osoittavat kuitenkin, että tekoäly ja laskennalliset lähestymistavat eivät ainoastaan ratkaise näitä haasteita, vaan muuttavat perustavanlaatuisesti kykyämme ennustaa onnistuneita tuloksia. Uusien lääkkeiden kehityksen alkuvaihe on erityisen kriittinen – ja tässä vaiheessa tekoäly ja laskennallinen kemia voivat vaikuttaa eniten.

Nämä tekoäly- ja laskennalliset lähestymistavat voivat auttaa löytämään tehokkaita uusia hoitoja, jotka kohdistuvat oikeisiin proteiineihin taudin hoitoon varhaisessa löytämis- ja optimointivaiheessa, sen sijaan, että ne tehtäisiin myöhemmin prosessissa, kuten on perinteisesti tehty. Laskennallinen myrkyllisyyden ennustaminen on erityisen hyödyllistä lääkekehityksen alkuvaiheessa, koska se voi poistaa molekyylit, jotka ovat todennäköisesti epäonnistuvat kliinisisissä kokeissa. Parhaiden lääkkeiden löytäminen aikaisemmin – ja sulkemalla pois ne, jotka eivät toimi – voi säästää kymmenen vuoden aikaa kalliista tutkimuksesta ja lisätä lääkkeen mahdollisuuksia kliinisen kokeen läpäisemiseen.

Viimeaikaiset tutkimukset tekoäly-pohjaisista bioteknologiayrityksistä paljastavat rohkaisevia suuntauksia, jotka osoittavat, 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 teollisuuden historialliset keskiarvot faasi I -kokeissa – saavuttaen 80-90 prosentin onnistumisprosentin faasi I -kokeissa, verrattuna 40-65 prosentin teollisuuden keskiarvoon.

Tämä varhainen menestys on erityisen merkittävä, koska se osoittaa, että tekoälyohjatut lähestymistavat ratkaisevat yhtä lääkekehityksen perustavimmista haasteista: suunnittelumolekyylejä, jotka omistavat useita ominaisuuksia, jotka ovat välttämättömiä lääketeollisuuden kehitykselle.

Moniparametrisen optimoinnin voima

Tässä muutoksessa on tekoälyvoimainen laskennallinen kemia, joka on paljon parempi ja nopeampi kuin ihmiset: moniparametrisen optimoinnin prosessi, jossa tasapainotetaan useita potentiaalisen lääkkeen ominaisuuksia samanaikaisesti – kuten voimakkuutta, turvallisuutta, spesifisyyttä, veriaivoesteen läpäisevyyttä ja monia muita. Tämä tekee siitä paljon tarkin, nopeamman ja tehokkaamman suunnitella lupaavimpia ehdokkaita, vaikka nämä ominaisuudet ristiriitaisia toisiinsa nähden.

Perinteiset lääkekehityksen lähestymistavat voivat optimoida vain yhden parametrin kerrallaan, mikä tekee siitä vaikean parantaa yhtä asiaa ilman, että se haittaa toisia. Esimerkiksi aivokasvaimia hoitava lääke tarvitsee pystyä tunkeutumaan veriaivoesteen läpi, jotta se voi saavuttaa aivot. Mutta lääke, joka tunkeutuu esteen läpi tehokkaasti, saattaa olla riittävän valikoiva kohdistamaan kohdetta, mikä voi vähentää lääkkeen tehokkuutta tai aiheuttaa ei-toivottuja sivuvaikutuksia. Perinteiset lähestymistavat voivat optimoida veriaivoesteen läpäisevyyttä ensin ja käsitellä muita ominaisuuksia myöhemmin, mikä voi työntää ongelmia eteenpäin prosessissa sen sijaan, että ne käsiteltäisiin prosessin alussa.

Vastaavasti tekoälyvoitetut laskennalliset työkalut muuttavat perustavanlaatuisesti lääkesuunnittelun lähestymistapaa. Sen sijaan, että perättäinen optimointi, joka voi johtaa myöhempiin epäonnistumisiin, tekoäly mahdollistaa samanaikaisen optimoinnin kaikilla kriittisillä parametreilla jo löytämisvaiheessa. Tekoälyllä tutkijat voivat syöttää tietoja useista rajoitteista ja pyytää algoritmeja löytämään tunnetun molekyylit, joka toimii parhaiten näiden rajoitusten kanssa – tai luoda uuden. Nopeasti kehittyvien generatiivisten tekoäly- ja koneoppimismenetelmien avulla voidaan kehittää optimaalisia lääkeehdokkaita nopeammin ja tarkemmin, samanaikaisesti useiden parametrejen analysointia, mikä lisää onnistumisen todennäköisyyttä ja lopulta johtaa tehokkaampien, luotettavampien ja turvallisempien hoitojen kehittämiseen potilaille.

Tekoälypohjaiset laskennalliset työkalut voivat myös oppia eri terapeuttisten alojen yksilölliset vaatimukset. Tekoälyalgoritmit voivat sisällyttää nämä hienostuneet vaatimukset luodakseen lääkeehdokkaita, jotka on suunniteltu tiettyjä tauteja ja kohde-elimille, sen sijaan, että ne vain täyttävät yleiset kriteerit lääkemäisille molekyyleille. Esimerkiksi yhdiste, joka kohdistuu aivokasvaimiin, kohtaa erilaisia optimointihaasteita kuin yhdiste, joka on suunniteltu krooniseen tulehdukseen liittyvien sairauksien, kuten nivelreuman, diabeteksen, ateroskleroosin ja muiden tautien hoitoon.

Näiden tekoälyohjattujen lähestymistapojen mahdollistamiseksi tarvitaan erittäin suuria molekyylidatamäärä, sekä niiden seulontaa että, tärkeämpää, näiden mallien koulutusta varten. Mitä suurempi datamäärä on, sitä enemmän kemiallista tilaa peittää, mikä myös lisää onnistumisen mahdollisuuksia. Sen sijaan, että seulotaan kymmeniä tuhansia (tai jopa muutamia miljoonia) molekyylejä ja siirretään muutama kymmenen kehitykseen, laskennalliset tutkijat voivat seulota jopa kymmeniä miljardeja molekyylejä.

Seuraava askel: Tekoälylähestymistapojen integrointi kehitysputkiin

Näiden lähestymistapojen lisääntyneen monimutkaisuuden vuoksi yksi suuri haaste on kyky suorittaa niitä suuressa mittakaavassa. Siksi seuraava askel tekoälyn hyödyntämisessä lääkekehityksessä on sisällyttää työkalut, jotka mahdollistavat löytämisprosessin skaalautumisen tekoälyagenttien avulla – itsestään toimivat laskennalliset järjestelmät, jotka voivat suorittaa monimutkaisia tehtäviä tai prosesseja ilman jatkuvaa ihmisen väliintuloa.

Esimerkiksi agentit voivat kerätä ja analysoida tarvittavan ja jatkuvasti kasvavan määrän tietoa ja poistaa vähemmän merkitykselliset lääkeehdokkaat.

Kun agentit on koulutettu monilla parametreillä, kemiallisilla rajoitteilla ja muilla asiaankuuluvilla muuttujilla, kuten myrkyllisyyden tasolla ja FDA:n vaatimuksilla, ne kykenevät lopulta antamaan tutkijoille johtavat molekyyliehdokkaat mille tahansa sairaudelle.

Lääketeollisuuden haaste on nyt se, miten nopeasti ja tehokkaasti tekoälyohjattu laskennallinen lääkesuunnittelu voidaan integroida olemassa oleviin kehitysputkiin. Vaikka haasteita on edelleen, varhaiset todisteet osoittavat, että tekoäly ja laskennallinen kemia pitävät avaimen parempien lääkkeiden kehittämiseen tehokkaammin ja nopeammin kuin koskaan aiemmin, ja ne tavoittavat enemmän potilaita.