Rozszyfrowywanie języka molekuł: Jak sztuczna inteligencja generatywna przyspiesza odkrywanie leków

Podczas gdy sztuczna inteligencja generatywna ewoluuje, przechodzi od odczytywania języka ludzkiego do opanowania złożonych języków biologii i chemii. Można pomyśleć o DNA jako o szczegółowym skrypcie, sekwencji 3 miliardów liter, która kieruje funkcjami i wzrostem naszego organizmu. Podobnie, białka, niezbędne składniki życia, mają swój język, w tym alfabet 20 aminokwasów. W chemii molekuły również mają swój unikalny dialekt, jak budowanie słów, zdań lub akapitów za pomocą reguł gramatycznych. Gramatyka molekularna określa, jak atomy i podstruktury łączą się, tworząc molekuły lub polimery. Tak jak gramatyka języka określa strukturę zdań, gramatyka molekularna opisuje strukturę molekuł.

Sztuczna inteligencja generatywna, taka jak duże modele językowe (LLM), wykazuje swoją zdolność do odczytywania języka molekuł, co otwiera nowe możliwości dla wydajnego odkrywania leków. Wiele firm farmaceutycznych coraz częściej wykorzystuje tę technologię, aby napędzać innowacje w rozwoju leków. Instytut McKinsey (MGI) szacuje, że sztuczna inteligencja generatywna może wygenerować od 60 do 110 miliardów dolarów rocznie w wartości gospodarczej dla branży farmaceutycznej. Potencjał ten wynika głównie z jej zdolności do zwiększania wydajności poprzez przyspieszanie identyfikacji potencjalnych nowych związków leczniczych oraz przyspieszanie ich rozwoju i procesów zatwierdzania. Artykuł ten opisuje, jak sztuczna inteligencja generatywna zmienia branżę farmaceutyczną, działając jako katalizator szybkich postępów w odkrywaniu leków. Jednak aby docenić wpływ sztucznej inteligencji generatywnej, niezbędne jest zrozumienie tradycyjnego procesu odkrywania leków i 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 terapeutyczne skutki. Następnie badacze angażują się w identyfikację potencjalnych kandydatów na leki, które mogą oddziaływać z celem. Po zidentyfikowaniu tych kandydatów przechodzą one przez optymalizację, doskonaląc ich właściwości chemiczne w celu zwiększenia skuteczności i minimalizacji skutków ubocznych. Następnie przeprowadza się badania przedkliniczne, aby ocenić bezpieczeństwo i skuteczność tych związków in vitro (w probówkach) i in vivo (w modelach zwierzęcych). Obiecujące kandydaty są oceniane w trzech fazach badań klinicznych, aby ocenić bezpieczeństwo i skuteczność 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 notorycznie 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 zbadać tylko ograniczoną frakcję możliwych związków chemicznych, pozostawiając wiele potencjalnych leków nieodkrytych. Wysokie wskaźniki porzucania również utrudniają proces, gdzie wiele kandydatów na leki nie powodzi się w późnych fazach rozwoju, prowadząc do marnowania zasobów i czasu. Dodatkowo, każdy etap odkrywania leków wymaga znacznego udziału ludzi i ekspertyzy, co może spowolnić postępy.

Jak sztuczna inteligencja generatywna zmienia odkrywanie leków

Sztuczna inteligencja generatywna 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 identyfikacji kandydatów na leki algorytmy AI mogą przewidywać i generować nowe struktury chemiczne, które prawdopodobnie będą oddziaływać skutecznie z celem. Możliwość sztucznej inteligencji generatywnej do zbadania ogromnej liczby kandydatów sprawia, że proces eksploracji chemicznej jest bardzo wydajny. Sztuczna inteligencja generatywna również poprawia optymalizację kandydatów, symulując i przewidując skutki modyfikacji chemicznych na kandydatach. Na przykład NVIDIA (NVDA ) współpracowało z Recursion Pharmaceuticals (RXRX ), aby zbadać ponad 2,8 trylionów kombinacji małych molekuł i celów w zaledwie tydzień. Proces ten mógłby potrwać około 100 000 lat, aby osiągnąć te same wyniki przy użyciu tradycyjnych metod. Automatyzując te procesy, sztuczna inteligencja generatywna znacznie redukuje czas i koszty wymagane do wprowadzenia nowego leku na rynek.

Ponadto, wglądy sztucznej inteligencji generatywnej sprawiają, że badania przedkliniczne są bardziej dokładne, identyfikując potencjalne problemy wcześniej w procesie, co pomaga obniżyć wskaźniki porzucania. Technologie AI automatyzują również wiele pracochłonnych zadań, umożliwiając badaczom skupić się na strategicznych decyzjach i skalowaniu procesu odkrywania leków.

Studium przypadku: Pierwsze odkrywanie leków sztucznej inteligencji generatywnej Insilico Medicine

Firma biotechnologiczna Insilico Medicine wykorzystała sztuczną inteligencję generatywną do opracowania pierwszego leku na idiopatyczne włóknienie płuc (IPF), rzadką chorobę płuc charakteryzującą się przewlekłym bliznowaceniem, prowadzącym do nieodwracalnego spadku funkcji płuc. Zastosowanie sztucznej inteligencji generatywnej do omicznych i klinicznych zbiorów danych związanych z włóknieniem tkanek pozwoliło Insilico na pomyślne przewidzenie tkanek-specyficznych celów włóknienia. Wykorzystując tę technologię, firma zaprojektowała inhibitor małych molekuł, 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 był to pierwszy inhibitor małych molekuł przeciw włóknieniu, odkryty i zaprojektowany przy użyciu sztucznej inteligencji generatywnej.

Sukces INS018_055 potwierdza wydajność sztucznej inteligencji generatywnej w przyspieszaniu odkrywania leków i podkreśla jej potencjał w radzeniu sobie z złożonymi chorobami.

Hallucynacja w sztucznej inteligencji generatywnej w odkrywaniu leków

Podczas gdy sztuczna inteligencja generatywna przyspiesza odkrywanie leków, umożliwiając tworzenie nowych molekuł, istotne jest, aby być świadomym znaczącego wyzwania, jakie mogą stanowić te modele. Modele generatywne są podatne na zjawisko hallucynacji. W kontekście odkrywania leków hallucynacja odnosi się do generowania molekuł, które wyglądają prawidłowo na powierzchni, ale brakuje im rzeczywistej biologicznej istotności lub praktycznej użyteczności. Zjawisko to 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 “zhallucynowane” molekuły mogą zawieść podczas syntezy lub wykazywać nieoczekiwane zachowanie w systemach biologicznych.

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

Przerwa w walidacji dodatkowo komplikuje problem. Podczas gdy modele generatywne mogą proponować wiele kandydatów, rygorystyczne testy eksperymentalne i walidacja są niezbędne do potwierdzenia ich użyteczności. Krok ten jest niezbędny do pomostowania teoretycznego potencjału i praktycznego zastosowania.

Różne strategie mogą być zastosowane, aby złagodzić hallucynacje. Hybrydowe podejścia łączące sztuczną inteligencję generatywną z modelowaniem opartym na fizyce lub metodami opartymi na wiedzy mogą pomóc w filtrowaniu zhallucynowanych molekuł. Trening przeciwny, w którym modele uczą się rozróżniać między naturalnymi a zhallucynowanymi związkami, może również poprawić jakość generowanych molekuł. Włączając chemików i biologów w proces projektowania, można również zmniejszyć wpływ hallucynacji.

Rozwiązując wyzwanie hallucynacji, sztuczna inteligencja generatywna może dalej realizować swoją obietnicę w przyspieszaniu odkrywania leków, czyniąc proces bardziej wydajnym i skutecznym w tworzeniu nowych, użytecznych leków.

Podsumowanie

Sztuczna inteligencja generatywna zmienia branżę farmaceutyczną, 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 użyteczne związki. Insilico Medicine pokazuje, że sztuczna inteligencja generatywna ma potencjał, aby rozwiązać złożone choroby i wprowadzić nowe leki na rynek w bardziej wydajny sposób. Przyszłość odkrywania leków staje się coraz bardziej obiecująca, z sztuczną inteligencją generatywną napędzającą innowacje.