AI-drevet medisinsk gjennombrudd: Utnyttelse av kunstig intelligens for å oppdage nye legemidler

Legemiddeloppdagelse er kjent som "fra benk til seng" på grunn av dens lange varighet og høye kostnader. Det tar rundt 11 til 16 år og mellom $ 1 milliarder til $ 2 milliarder å bringe et stoff på markedet. Men nå revolusjonerer AI medikamentutvikling, og gir bedre tempo og lønnsomhet.

AI i legemiddelutvikling har transformert vår tilnærming og strategi mot biomedisinsk forskning og innovasjon. Det har hjulpet forskere med å redusere kompleksiteten til en sykdomsvei og identifisere biologiske mål.

La oss se dypere inn i hva potensialet AI i medikamentoppdagelse har for fremtiden.

Forstå rollen til AI: Hvordan brukes den til narkotikaoppdagelse?

AI har forbedret ulike stadier av legemiddeloppdagelsesprosessen med sin evne til å analysere enorme mengder data og lage komplekse spådommer. Dette er hvordan:

1. Målidentifikasjon

Målidentifikasjon er den første prosessen med å oppdage legemidler som involverer å identifisere mulige molekylære enheter som proteiner, enzymer og reseptorer som er tilstede i kroppen som kan kombineres med medisiner for å produsere terapeutiske effekter mot sykdommer.

AI kan utnytte store kliniske databaser som inkluderer nøkkelinformasjon om målidentifikasjonen. Disse datakildene kan inkludere biomedisinsk forskning, biomolekylær informasjon, data fra kliniske forsøk, proteinstrukturer, etc.

Trente AI-modeller sammen med biomedisinske teknikker som genuttrykk kan forstå komplekse biologiske sykdommer og identifisere de biologiske målene for medikamentkandidatene. For eksempel har forskere utviklet ulike AI-teknikker for identifikasjon av nye kreftmål.

2. Målvalg

AI i medikamentoppdagelse kan hjelpe forskere med å velge lovende mål basert på deres sykdomskorrelasjoner og antatt terapeutisk nytte. Med sterk mønstergjenkjenning kan AI gjøre dette valget basert ikke bare på erklært medisinsk litteratur, men velge helt nye mål uten forutgående referanse i publiserte patenter.

3. Legemiddelprioritering

I dette stadiet evaluerer og vurderer AI ledende legemiddelforbindelser, og prioriterer dem for videre vurdering og forskning for å fremme utviklingen deres. Sammenlignet med tidligere rangeringsteknikker er AI-baserte tilnærminger mer effektive til å identifisere de mest lovende kandidatene. For eksempel har forskere utviklet en Deep Learning-basert beregningsrammeverk å identifisere og prioritere nye medisiner for Alzheimers sykdom.

4. Sammensatt screening

AI-modeller kan forutsi forbindelsers kjemiske egenskaper og bioaktivitet og gi innsikt i uønskede effekter. De kan analysere data fra ulike kilder, inkludert tidligere studier og databaser, for å identifisere potensielle risikoer eller bivirkninger forbundet med en bestemt forbindelse. For eksempel har forskere utviklet et dyplæringsverktøy for å screene kjemiske biblioteker med milliarder av molekyler for å akselerere betydelig utforskning av forbindelser i stor skala.

5. De Novo medikamentdesign

Manuell screening av store samlinger av forbindelser har vært en tradisjonell praksis innen legemiddeloppdagelse. Med AI kan forskere screene nye forbindelser med eller uten forutgående informasjon og også forutsi den endelige 3D-strukturen til de oppdagede stoffene. For eksempel, AlphaFold, utviklet av DeepMind, er et AI-system som kan forutsi proteinstrukturer. Den opprettholder en database med over 200 millioner proteinstrukturspådommer som kan akselerere legemiddeldesignprosessen.

5 Eksempler på vellykket AI-basert legemiddeloppdagelse

1) Abaucin

Antibiotika dreper bakterier. Men på grunn av mangelen på nye medisiner og den raske utviklingen av bakteriell resistens mot eldre medisiner, blir bakterier vanskelige å behandle. Abaucin, et AI-utviklet sterkt eksperimentelt antibiotikum, er designet for å drepe Acinetobacter baumannii, en av de farligste superbug-bakterier.

Ved hjelp av AI testet forskerne først tusenvis av medisiner for å se hvor godt de virker mot bakterien Acinetobacter baumannii. Deretter ble denne informasjonen brukt til å trene opp AI til å komme opp med et medikament som effektivt kan behandle det.

2) Target X av Insilico Medicine

Insilico medisin brukte sin Generativ AI plattform og laget et medikament kalt Target X, nå i fase 1 kliniske studier. Target X er designet for å behandle Idiopatisk lungefibrose, en sykdom som kan forårsake lungestivhet hos eldre personer hvis den ikke behandles. Fase 1 vil involvere 80 deltakere, og halvparten vil få høyere doser etter hvert. Dette vil bidra til å evaluere hvordan legemiddelmolekylet interagerer med menneskekroppen.

3) VRG50635 av Verge Genomic

Verge Genomics, et AI-medisinoppdagelsesselskap, brukte sin AI-plattform CONVERGE for å oppdage en ny forbindelse, VRG-50635, for behandling av ALS ved å analysere menneskelige datapunkter. Datapunktene inkluderte informasjon om hjernen og ryggraden til pasienter med nevrodegenerative sykdommer som Parkinsons, ALS og Alzheimers.

Plattformen fant først PIKfyve-enzym som et mulig mål for ALS og deretter foreslått VRG50635 som en lovende hemmer av PIKfyve, som ble en potensiell medikamentkandidat for behandling av ALS. Prosessen tok rundt fire år, og nå er kandidaten i fase 1 av menneskeforsøkene.

4) Exscientia-A2a-reseptor

excientia, et AI MedTech-selskap, er ansvarlig for det første AI-designede molekylet for immunonkologisk behandling – en form for kreftbehandling som bruker kroppens immunsystem til å bekjempe kreftceller. AI-medikamentet deres har gått inn i den kliniske studiefasen for mennesker. Potensialet ligger i dens evne til å målrette mot A2a reseptor for å fremme antitumoraktivitet samtidig som det sikrer færre bivirkninger på kroppen og hjernen.

Ved hjelp av Generativ AI, de har laget noen andre forbindelser for å målrette ulike sykdommer som

• Transkripsjonelt avhengige kreftformer ved å målrette CDK7-hemmere
• Inflammatoriske sykdommer ved målretting PKC-theta enzym
• Hematologi og onkologiske sykdommer ved målretting LSD1 regulator

5) Absci-de Novo-antistoffer med Zero-Shot Generativ AI

Abscien Generativ AI drug discovery company, har demonstrert sin bruk av zero-shot generativ AI for å lage de novo antistoffer via datasimulering. Zero-shot læring betyr at AI-modellen ikke har blitt eksplisitt testet på gjeldende inputinformasjon under treningsfasen. Derfor kan denne prosessen komme opp med nye antistoffdesign på egen hånd.

De novo terapeutiske antistoffer drevet av AI reduserer tiden det tar å utvikle nye medikamenter fra opptil seks år til bare 18 til 24 måneder, noe som øker sannsynligheten for suksess i klinikken. Selskapets teknologi kan teste og validere 3 millioner AI-genererte design hver uke. Denne nye utviklingen kan umiddelbart levere nye terapier til hver pasient, og markere en betydelig industriell endring.

Hva bringer fremtiden til AI & Drug Discovery?

Foruten mange andre helsetjenester, AI gjør legemiddeloppdagelsesprosessen raskere og mer intelligent ved å analysere enorme datasett og forutsi lovende legemiddelmål og -kandidater. Ved å bruke generativ AI kan bioteknologiselskaper identifisere pasientresponsmarkører og utvikle tilpassede behandlingsplaner raskt.

En rapport antyder at snart vil flere MedTech-selskaper innlemme AI og ML inn i et tidlig stadium av medikamentoppdagelse, som vil bidra til å skape et marked på 50 milliarder dollar i løpet av de neste ti årene, og skape det betydelige vekstpotensialet til AI i legemidler. AI vil potensielt redusere de totale kostnadene for oppdagelse av medisiner, og gjøre flere nye medisiner tilgjengelige for pasienter raskere.

Hvis du vil vite mer om AI og hvordan det vil forme fremtiden vår, besøk unite.ai.