Dekodowanie języka molekuł: Jak generatywny AI przyspiesza odkrywanie leków

Podczas gdy generatywny AI ewoluuje, przechodzi od odczytywania języka ludzkiego do opanowania złożonych języków biologii i chemii. DNA można uznać za szczegółowy scenariusz, sekwencję 3 miliardów liter, która kieruje funkcjami i wzrostem naszego organizmu. Podobnie, białka, podstawowe składniki życia, mają swój język, w tym alfabet z 20 aminokwasów. W chemii molekuły również mają wyjątkowy dialekt, jak budowanie słów, zdań lub akapitów przy użyciu reguł gramatycznych. Gramatyka molekularna określa, jak atomy i podstruktury łączą się w celu utworzenia molekuł lub polimerów. Tak jak gramatyka języka określa strukturę zdań, gramatyka molekularna opisuje strukturę molekuł.

Podczas gdy generatywny AI, taki jak duże modele językowe (LLM), wykazuje swoją zdolność do odczytywania języka molekuł, pojawiają się nowe możliwości efektywnego odkrywania leków. Wiele firm farmaceutycznych coraz częściej wykorzystuje tę technologię, aby napędzać innowacje w rozwoju leków. Instytut McKinsey Global (MGI) szacuje, że generatywny AI może wygenerować $60 miliardów do $110 miliardów rocznie w wartości ekonomicznej dla przemysłu farmaceutycznego. Ten potencjał wynika głównie z jego zdolności do zwiększenia produktywności poprzez przyspieszenie identyfikacji potencjalnych nowych związków leczniczych i przyspieszenie ich rozwoju oraz procesów zatwierdzania. Artykuł ten opisuje, jak generatywny AI zmienia przemysł farmaceutyczny, działając jako katalizator szybkich postępów w odkrywaniu leków. Jednak aby docenić wpływ generatywnego AI, niezbędne jest zrozumienie tradycyjnego procesu odkrywania leków oraz jego wewnętrznych ograniczeń i wyzwań.

Wyzwania tradycyjnego odkrywania leków

Tradycyjny proces odkrywania leków jest wieloetapowym przedsięwzięciem, często czasochłonnym i wymagającym dużych nakładów. Rozpoczyna się od identyfikacji celu, gdzie naukowcy wskazują biologiczne cele zaangażowane w chorobę, takie jak białka lub geny. Krok ten prowadzi do walidacji celu, która potwierdza, że manipulowanie celem będzie miało efekt terapeutyczny. Następnie badacze angażują się w identyfikację potencjalnych kandydatów na leki, aby znaleźć potencjalne związki lecznicze, które mogą oddziaływać z celem. Po zidentyfikowaniu te potencjalne kandydaty przechodzą optymalizację, doskonaląc ich właściwości chemiczne w celu zwiększenia skuteczności i minimalizacji skutków ubocznych. Testy przedkliniczne oceniają następnie bezpieczeństwo i skuteczność tych związków in vitro (w probówkach) i in vivo (w modelach zwierzęcych). Perspektywiczni kandydaci są oceniani w trzech fazach badań klinicznych w celu oceny bezpieczeństwa i skuteczności u ludzi. Wreszcie, udane związki muszą uzyskać zatwierdzenie regulacyjne, zanim będą mogły być wprowadzone na rynek i przepisywane.

Pomimo swojej gruntowności, tradycyjny proces odkrywania leków ma kilka ograniczeń i wyzwań. Jest on znany z tego, że jest czasochłonny i kosztowny, często trwający ponad dekadę i kosztujący miliardy dolarów, z wysokimi wskaźnikami niepowodzeń, szczególnie w fazach badań klinicznych. Złożoność systemów biologicznych dodatkowo komplikuje proces, utrudniając przewidzenie, jak lek będzie się zachowywał u ludzi. Ponadto intensywne przesiewanie może tylko zbadać ograniczoną frakcję możliwych związków chemicznych, pozostawiając wiele potencjalnych leków nieodkrytych. Wysokie wskaźniki utraty również utrudniały proces, gdzie wiele kandydatów na leki zawiodło podczas późnych etapów rozwoju, prowadząc do zmarnowania zasobów i czasu. Dodatkowo każdy etap odkrywania leków wymaga znacznego udziału ludzi i ekspertów, co może spowolnić postęp.

Jak generatywny AI zmienia odkrywanie leków

Generatywny AI rozwiązuje te wyzwania, automatyzując różne etapy procesu odkrywania leków. Przyspiesza identyfikację i walidację celu, szybko analizując ogromne ilości danych biologicznych, aby lebih precyzyjnie zidentyfikować i zwalidować potencjalne cele leków. W fazie odkrywania potencjalnych kandydatów algorytmy AI mogą przewidywać i generować nowe struktury chemiczne, które mogą skutecznie oddziaływać z celem. Możliwość generatywnego AI do zbadania ogromnej liczby kandydatów sprawia, że proces eksploracji chemicznej jest bardzo wydajny. Generatywny AI również poprawia optymalizację, symulując i przewidując efekty modyfikacji chemicznych na kandydatach. Na przykład NVIDIA współpracowało z Recursion Pharmaceuticals, aby zbadać ponad 2,8 trylionów kombinacji małych cząsteczek i celów w zaledwie tydzień. Proces ten mógłby zająć około 100 000 lat, aby osiągnąć te same wyniki przy użyciu tradycyjnych metod. Automatyzując te procesy, generatywny AI znacznie redukuje czas i koszty wymagane do wprowadzenia nowego leku na rynek.

Ponadto, wnioski oparte na generatywnym AI sprawiają, że testy przedkliniczne są bardziej dokładne, identyfikując potencjalne problemy wcześniej w procesie, co pomaga obniżyć wskaźniki utraty. Technologie AI automatyzują również wiele czasochłonnych zadań, umożliwiając badaczom skupić się na strategicznych decyzjach i skalowaniu procesu odkrywania leków.

Studium przypadku: Pierwsze odkrywanie leków z użyciem generatywnego AI przez Insilico Medicine

Firma biotechnologiczna Insilico Medicine wykorzystała generatywny AI do opracowania pierwszego leku na idiopatyczne włóknienie płuc (IPF), rzadką chorobę płuc charakteryzującą się przewlekłym bliznowaceniem, które prowadzi do nieodwracalnego spadku funkcji płuc. Stosując generatywny AI do danych omics i klinicznych związanych z włóknieniem tkanek, Insilico pomyślnie przewidziało tkankowe cele włóknienia. Wykorzystując tę technologię, firma zaprojektowała inhibitor małej cząsteczki, INS018_055, który wykazał potencjał przeciwko włóknieniu i stanom zapalnym.

W czerwcu 2023 roku Insilico podało pierwszą dawkę INS018_055 pacjentom w badaniu klinicznym fazy II. Odkrycie tego leku było historycznym momentem, gdyż po raz pierwszy na świecie zastosowano generatywny AI do opracowania i zaprojektowania inhibitora małej cząsteczki przeciwko włóknieniu.

Sukces INS018_055 potwierdza wydajność generatywnego AI w przyspieszaniu odkrywania leków i podkreśla jego potencjał w rozwiązywaniu złożonych chorób.

Hallucynacja w generatywnym AI do odkrywania leków

Podczas gdy generatywny AI przyspiesza odkrywanie leków, umożliwiając tworzenie nowych molekuł, istotne jest, aby być świadomym znaczącego wyzwania, jakie te modele mogą napotkać. Modele generatywne są podatne na zjawisko znane jako hallucynacja. W kontekście odkrywania leków hallucynacja odnosi się do generowania molekuł, które na powierzchni wyglądają prawidłowo, ale brakuje im rzeczywistej doniosłości biologicznej lub praktycznej. To zjawisko stwarza kilka dylematów.

Jednym z głównych problemów jest niestabilność chemiczna. Modele generatywne mogą wytworzyć molekuły o teoretycznie korzystnych właściwościach, ale te związki mogą być chemicznie niestabilne lub podatne na degradację. Takie “hallucynowane” molekuły mogą zawieść podczas syntezy lub wykazywać nieoczekiwane zachowanie w systemach biologicznych.

Ponadto, molekuły hallucynowane często brakuje doniosłości biologicznej. Mogą one pasować do celów chemicznych, ale nie oddziaływać znacząco z celami biologicznymi, co sprawia, że są one nieskuteczne jako leki. Nawet jeśli molekuła wygląda obiecująco, jej synteza może być zbyt skomplikowana lub kosztowna, ponieważ hallucynacja nie uwzględnia praktycznych dróg syntetycznych.

Przerwa w walidacji dodatkowo komplikuje problem. Podczas gdy modele generatywne mogą proponować wiele kandydatów, rygorystyczne testy eksperymentalne i walidacja są niezbędne, aby potwierdzić ich przydatność. Krok ten jest niezbędny do pokrycia lukę między teoretycznym potencjałem a praktycznym zastosowaniem.

Różne strategie mogą być zastosowane, aby złagodzić hallucynacje. Podejścia hybrydowe, łączące generatywny AI z modelowaniem opartym na fizyce lub metodami opartymi na wiedzy, mogą pomóc w filtrowaniu molekuł hallucynowanych. Trening przeciwny, w którym modele uczą się rozróżniać między naturalnymi a hallucynowanymi związkami, może również poprawić jakość generowanych molekuł. Włączając chemików i biologów w proces projektowania, efekt hallucynacji można również zmniejszyć.

Rozwiązując wyzwanie hallucynacji, generatywny AI może dalej realizować swoją obietnicę w przyspieszaniu odkrywania leków, czyniąc proces bardziej wydajnym i skutecznym w tworzeniu nowych, przydatnych leków.

Podsumowanie

Generatywny AI zmienia przemysł farmaceutyczny, przyspieszając odkrywanie leków i redukując koszty. Chociaż wyzwania, takie jak hallucynacja, pozostają, łączenie AI z tradycyjnymi metodami i ludzką ekspertyzą pomaga tworzyć bardziej dokładne i przydatne związki. Insilico Medicine pokazuje, że generatywny AI ma potencjał, aby rozwiązać złożone choroby i wprowadzić nowe leki na rynek w sposób bardziej efektywny. Przyszłość odkrywania leków staje się bardziej obiecująca, z generatywnym AI napędzającym innowacje.