AI-drevet medisinsk gjennombrudd: Utnytting av kunstig intelligens for ny legemiddelforskning

Legemiddelforskning er kjent som “fra benk til seng” på grunn av sin lange varighet og høye kostnader. Det tar omtrent 11 til 16 år og mellom 1 milliard til 2 milliarder dollar å bringe et legemiddel til markedet. Men nå er AI i ferd med å revolusjonere legemiddelutvikling, og gir bedre fart og lønnsomhet.

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

La oss se nærmere på hva potensialet for AI i legemiddelforskning holder for fremtiden.

Forstå rollen til AI: Hvordan brukes det til legemiddelforskning?

AI har forbedret ulike faser av legemiddelforskningsprosessen med sin evne til å analysere store mengder data og gjøre komplekse prediksjoner. Her er hvordan:

1. Målidentifikasjon

Målidentifikasjon er den første prosessen i legemiddelforskning, som innebærer å identifisere mulige molekylære enheter som proteiner, enzymer og reseptorer som finnes i kroppen og som kan kombinere med legemidler for å produsere terapeutiske effekter mot sykdommer.

AI kan utnytte store kliniske databaser som inkluderer nøkkelinformasjon om målidentifikasjon. Disse datakildene kan inkludere biomedisinsk forskning, biomolekylær informasjon, kliniske prøvedata, proteinstrukturer osv.

Trente AI-modeller sammen med biomedisinske tekniker som genuttrykk kan forstå komplekse biologiske sykdommer og identifisere biologiske mål for legemiddelkandidater. For eksempel har forskere utviklet ulike AI-tekniker for identifikasjon av nye anticancer-mål.

2. Målvalg

AI i legemiddelforskning kan hjelpe forskere å velge løftende mål basert på deres sykdomskorrelasjoner og predikerte terapeutiske nytte. Med sterk mønstergjenkjenning kan AI gjøre dette valget basert ikke bare på erklært medisinsk litteratur, men også velge helt nye mål uten noen tidligere referanse i publiserte patenter.

3. Legemiddelprioritering

I denne fasen vurderer og rangerer AI ledende legemiddelkompounder, prioriterer dem for videre vurdering og forskning for å fremme deres utvikling. I sammenligning med tidligere rangeringsteknikker er AI-baserte tilnærminger mer effektive til å identifisere de mest løftende kandidatene. For eksempel har forskere utviklet en dyp læring-basert beregningsramme for å identifisere og prioritere nye legemidler for Alzheimers sykdom.

4. Kompoundskanning

AI-modeller kan forutsi kompounders 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 noen potensielle risikoer eller bivirkninger forbundet med en bestemt kompound. For eksempel har forskere utviklet en dyp læring-verktøy for å skanne kjemiske biblioteker med milliarder av molekyler for å akselerere storstilte kompoundsøk.

5. De novo legemiddeldesign

Manuell skanning av store samlinger av kompounder har vært en tradisjonell praksis i legemiddelforskning. Med AI kan forskere skanne nye kompounder med eller uten tidligere informasjon og også forutsi den endelige 3D-strukturen til de oppdagede legemidlene. For eksempel er AlphaFold, utviklet av DeepMind, et AI-system som kan forutsi proteinstrukturer. Det har en database med over 200 millioner proteinstrukturprediksjoner som kan akselerere legemiddeldesignprosessen.

5 Suksessfulle AI-baserte legemiddelforskningseksempler

1) Abaucin

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

Ved å bruke AI, testet forskerne først tusenvis av legemidler for å se hvordan de virker mot bakterien Acinetobacter baumannii. Deretter ble denne informasjonen brukt til å trene AI til å komme opp med et legemiddel som kan effektivt behandle det.

2) Target X by Insilico Medicine

Insilico Medicine brukte sin Generative AI-plattform og skapte et legemiddel kalt Target X, som nå er i fase 1 kliniske prøver. Target X er designet for å behandle Idiopatisk lungfibrose, en sykdom som kan forårsake lungestivhet hos eldre individer hvis den ikke behandles. Fase 1 vil inkludere 80 deltakere, og halvparten vil motta høyere doser gradvis. Dette vil hjelpe med å evaluere hvordan legemiddelmolekylet samhandler med menneskekroppen.

3) VRG50635 by Verge Genomic

Verge Genomics, et AI-legemiddelforskningsselskap, brukte sin AI-plattform CONVERGE for å oppdage en ny kompound, VRG-50635, for behandling av ALS ved å analysere menneskelige data punkter. Data punktene inkluderte informasjon om hjernens og ryggmargens vev hos pasienter med neurodegenerative sykdommer som Parkinsons sykdom, ALS og Alzheimers sykdom.

Plattformen fant først PIKfyve-enzymet som et mulig mål for ALS og foreslo deretter VRG50635 som en løftende inhibitor av PIKfyve, som ble et potensielt legemiddelkandidat for behandling av ALS. Prosessen tok omtrent fire år, og nå er kandidaten i fase 1 av de menneskelige prøvene.

4) Exscientia-A2a Receptor

Exscientia, et AI-MedTech-selskap, er ansvarlig for det første AI-designede molekylet for immuno-onkologisk behandling – en type kreftbehandling som bruker kroppens immunsystem til å bekjempe kreftceller. Deres AI-legemiddel har gått inn i den menneskelige kliniske prøvefasen. Dets potensiale ligger i dets evne til å målrette A2a-reseptoren for å fremme anti-tumøraktivitet samtidig som det sikrer færre bivirkninger på kroppen og hjernen.

Ved å bruke Generative AI, har de skapt noen andre kompounder for å målrette ulike sykdommer som

• Transkriptivt avhengige kreftformer ved å målrette CDK7-inhibitorer
• Inflammatoriske sykdommer ved å målrette PKC-theta-enzym
• Hematologi- og onkologisykdommer ved å målrette LSD1-regulator

5) Absci-de novo-antistoffer med Zero-Shot Generative AI

Absci, et Generative AI-legemiddelforskningsselskap, har demonstrert bruken av zero-shot generative AI for å skape de novo-antistoffer via datamaskinsimulering. Zero-shot-læring betyr at AI-modellen ikke har blitt eksplisitt testet på nåværende inndata under treningfasen. Derfor kan denne prosessen komme opp med nye antistoffdesigner på egen hånd.

De novo-terapeutiske antistoffer, drevet av AI, reduserer tiden det tar å utvikle nye legemiddelleads fra opptil seks år til bare 18 til 24 måneder, og øker deres sannsynlighet for suksess i kliniske prøver. Selskapets teknologi kan teste og validere 3 millioner AI-genererte design hver uke. Denne nye utviklingen kan levere nye terapier til hver enkelt pasient, og markerer en betydelig industriell endring.

Hva holder fremtiden for AI og legemiddelforskning?

Foruten mange andre helseapplikasjoner, gjør AI legemiddelforskningsprosessen raskere og mer intelligent ved å analysere store datamengder og forutsi løftende legemiddelmål og -kandidater. Ved å bruke generative AI, kan biotekniske selskaper identifisere pasientresponsmarkører og utvikle tilpassede behandlingsplaner raskt.

En rapport antyder at snart vil flere MedTech-selskaper inkorporere AI og ML i tidlige faser av legemiddelforskning, noe som vil hjelpe med å skape en 50 milliarder dollar stor marked innen de neste ti årene, og skape betydelig vekstpotensiale for AI i legemidler. AI vil potensielt redusere de totale legemiddelforskningkostnadene, og gjøre flere nye legemidler tilgjengelige for pasienter raskere.

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