Avkoding av molekylers språk: Hvordan generativ AI akselerer legemiddelforskning

Så lenge generativ AI utvikler seg, går den utover å tyde menneskerspråk til å mestre de intrikate språkene i biologi og kjemi. Tenk på DNA som et detailed script, en 3-milliarder-bokstavers sekvens som styr kroppens funksjoner og vekst. Liksom proteiner, de essensielle komponentene i livet, har de sitt eget språk, inkludert et 20 amino syre-alfabet. I kjemi har molekylene også et unikt dialekt, som å bygge ord, setninger eller avsnitt ved hjelp av grammatikkregler. Molekylær grammatikk bestemmer hvordan atomer og understrukturer kombineres for å danne molekyler eller polymerer. Like som språkgrammatikk definerer setningens struktur, beskriver molekylær grammatikk molekylens struktur.

Siden generativ AI, som store språkmodeller (LLM), demonstrerer sin evne til å tyde molekylers språk, åpner det nye veier for effektiv legemiddelforskning. Flere legemiddelselskaper bruker stadig denne teknologien for å drive innovasjon i legemiddelutvikling. McKinsey Global Institute (MGI) estimerer at generativ AI kan skape $60 milliarder til $110 milliarder i årlig økonomisk verdi for legemiddelindustrien. Dette potensialet skyldes hovedsakelig dens evne til å forbedre produktiviteten ved å akselerere identifiseringen av potensielle nye legemiddelkandidater og deres utviklings- og godkjenningsprosesser. Denne artikkelen utforsker hvordan generativ AI endrer legemiddelindustrien ved å fungere som en katalysator for raske fremgang i legemiddelforskning. Imidlertid, for å verdsette generativ AI’s innvirkning, er det essensielt å forstå den tradisjonelle legemiddelforskningsprosessen og dens innebygde begrensninger og utfordringer.

Utfordringer i tradisjonell legemiddelforskning

Den tradisjonelle legemiddelforskningsprosessen er en flertrinns prosess, ofte tidskrevende og ressurskrevende. Den begynner med målidentifikasjon, der forskere peker ut biologiske mål involvert i en sykdom, som proteiner eller gener. Dette skrittet leder til målvalidering, som bekrefter at manipulering av målet vil ha terapeutiske effekter. Deretter engasjerer forskerne seg i lekkompoundsidentifikasjon for å finne potensielle legemiddelkandidater som kan samhandle med målet. Når disse lekkompoundene er identifisert, gjennomgår de lekkoptimalisering, som finjusterer deres kjemiske egenskaper for å forbedre effekten og minimere bivirkninger. Prekliniske tester vurderer deretter sikkerheten og effekten av disse komponentene in vitro (i prøverør) og in vivo (i dyremodeller). Løftende kandidater vurderes i tre kliniske prøvefaser for å vurdere menneskelig sikkerhet og effekt. Til slutt må vellykkede komponenter få godkjenning fra myndighetene før de markedsføres og skrives ut.

Til tross for sin grundighet, har den tradisjonelle legemiddelforskningsprosessen flere begrensninger og utfordringer. Den er notorisk tidskrevende og kostbar, ofte tar over et tiår og koster milliarder av dollar, med høye feilrater, spesielt i de kliniske prøvefasene. Kompleksiteten i biologiske systemer kompliserer prosessen ytterligere, og gjør det vanskelig å forutsi hvordan et legemiddel vil oppføre seg hos mennesker. Dessuten kan den intense skjermingen bare utforske en begrenset brøkdel av de mulige kjemiske komponentene, og lar mange potensielle legemidler ubegrete. Høye avskrivningsrater hemmer også prosessen, der mange legemiddelkandidater feiler under sen utvikling, og fører til spild av ressurser og tid. Dessuten krever hver fase av legemiddelforskning betydelig menneskelig inngripen og ekspertise, som kan sakke fremgangen.

Hvordan generativ AI endrer legemiddelforskning

Generativ AI møter disse utfordringene ved å automatisere forskjellige faser av legemiddelforskningsprosessen. Den akselerer målidentifikasjon og -validering ved å raskt analysere store mengder biologiske data for å mer nøyaktig identifisere og validere potensielle legemiddelmål. I lekkompoundsidentifikasjonsfasen kan AI-algoritmer forutsi og generere nye kjemiske strukturer som sannsynligvis vil samhandle effektivt med målet. Evnen til generativ AI til å utforske et stort antall lekkompounder gjør den kjemiske utforskningen svært effektiv. Generativ AI forbedrer også lekkoptimalisering ved å simulere og forutsi effekten av kjemiske modifikasjoner på lekkompounder. For eksempel samarbeidet NVIDIA (NVDA ) med Recursion Pharmaceuticals (RXRX ) for å utforske over 2,8 kvadrillioner kombinasjoner av små molekyler og mål på bare en uke. Denne prosessen kunne ha tatt omtrent 100 000 år å oppnå samme resultater med tradisjonelle metoder. Ved å automatisere disse prosessene, reduserer generativ AI betydelig tiden og kostnadene som kreves for å bringe et nytt legemiddel til markedet.

Dessuten gjør generativ AI-drevne innsikter prekliniske tester mer nøyaktige ved å identifisere potensielle problemer tidligere i prosessen, som hjelper til å senke avskrivningsraten. AI-teknologier automatiserer også mange arbeidskrevende oppgaver, og gjør det mulig for forskerne å fokusere på høyere strategiske beslutninger og å skalerer legemiddelforskningsprosessen. 

Case Study: Insilico Medicines første generative AI-legemiddelforskning

Et bioteknologiselskap, Insilico Medicine, har brukt generativ AI til å utvikle det første legemidlet mot idiopatisk lungfibrose (IPF), en sjelden lungesykdom kjennetegnet ved kronisk arring som fører til irreversibel lungfunksjonsnedgang. Ved å anvende generativ AI på omics- og kliniske datasett relatert til vevsarring, identifiserte Insilico med suksess vevsspesifikke arringsmål. Ved å bruke denne teknologien, designet selskapet en liten molekylhemmer, INS018_055, som viste potensial mot arring og inflamasjon.

I juni 2023, administrerte Insilico den første dosen av INS018_055 til pasienter i en Fase II-klinisk prøve. Dette legemidlets oppdagelse markerte et historisk øyeblikk da verdens første anti-arrings lille molekylhemmer ble oppdaget og designet med generativ AI.

Suksessen med INS018_055 bekrefter effektiviteten av generativ AI i å akselerere legemiddelforskning og understreker dens potensial til å takle komplekse sykdommer.

Hallusinasjon i generativ AI for legemiddelforskning

Siden generativ AI fremmer legemiddelforskning ved å muliggjøre opprettelse av nye molekyler, er det essensielt å være klar over en betydelig utfordring disse modellene kan møte. De generative modellene er utsatt for et fenomen kjent som hallusinasjon. I sammenheng med legemiddelforskning, refererer hallusinasjon til opprettelse av molekyler som ser gyldige ut på overflaten, men mangler faktisk biologisk relevans eller praktisk nytte. Dette fenomenet presenterer flere dilemmaer.

Et større problem er kjemisk ustabilitet. Generative modeller kan produsere molekyler med teoretisk gunstige egenskaper, men disse komponentene kan være kjemisk ustabile eller utsatt for nedbrytning. Slike “hallusinerte” molekyler kan feile under syntese eller vise uventet atferd i biologiske systemer.

Dessuten mangler hallusinerte molekyler ofte biologisk relevans. De kan passe med kjemiske mål, men feile å samhandle meningsfullt med biologiske mål, og gjøre dem ueffektive som legemidler. Selv om en molekyl ser løftende ut, kan syntesen være forbudt kompleks eller kostbar, da hallusinasjon ikke tar hensyn til praktiske syntetiske veier.

Valideringsgapet kompliserer også problemet. Mens generative modeller kan foreslå mange kandidater, er rigorøs eksperimentell testing og validering avgjørende for å bekrefte deres nytte. Dette skrittet er essensielt for å broforbinde det teoretiske potensialet og den praktiske anvendelsesgapet.

Forskjellige strategier kan anvendes for å mildne hallusinasjoner. Hybridtilnærminger som kombinerer generativ AI med fysikkbasert modellering eller kunnskapsdrevne metoder kan hjelpe med å filtrere hallusinerte molekyler. Adversarial trening, der modeller lærer å skille mellom naturlige og hallusinerte komponenter, kan også forbedre kvaliteten på genererte molekyler. Ved å involvere kjemikere og biologer i den iterative designprosessen, kan også effekten av hallusinasjon reduseres.

Ved å møte utfordringen med hallusinasjon, kan generativ AI ytterligere sitt potensial i å akselerere legemiddelforskning, og gjøre prosessen mer effektiv i å utvikle nye, livskraftige legemidler.

Bunnen av saken

Generativ AI endrer legemiddelindustrien ved å akselerere legemiddelforskning og redusere kostnadene. Mens utfordringer som hallusinasjon fortsatt eksisterer, hjelper kombinasjonen av AI med tradisjonelle metoder og menneskelig ekspertise til å skape mer nøyaktige og livskraftige komponenter. Insilico Medicine demonstrerer at generativ AI har potensialet til å takle komplekse sykdommer og bringe nye behandlinger til markedet mer effektivt. Fremtiden for legemiddelforskning blir mer løftende, med generativ AI som driver innovasjoner.