Cum IA Sparge Blocajele în Descoperirea de Molecule Mici

Încercările clinice pentru dezvoltarea de medicamente sunt notorius de lente și scumpe, iar doar o fracțiune mică a candidaților la medicamente sunt aprobate de autoritățile de reglementare. Blocajele extinse din procesul tradițional de descoperire a medicamentelor sunt prea familiare celor din industria farmaceutică: Faza clinică singură durează aproximativ o decadă și reprezintă aproape trei sferturi din costurile de cercetare și dezvoltare, cu costul mediu de dezvoltare a unui medicament crescând la o sumă uluitoare de 2,2 miliarde de dolari în 2024.

Poate cel mai critic, industria farmaceutică a luptat cu predicția precisă a rezultatelor dezvoltării cu succes în timpul lucrărilor de fază timpurie: Aproximativ 80-90 la sută din candidații la medicamente nu sunt aprobați, în ciuda anilor și fondurilor extinse alocate pentru dezvoltarea lor. Siguranța medicamentului este un motiv major pentru aceasta, cu toxicitatea neașteptată reprezentând aproximativ 30 la sută din eșecurile dezvoltării medicamentelor.

Moleculele descoperite de IA sunt mai de succes în faza I a încercărilor clinice

Cu toate acestea, datele emergente sugerează că inteligența artificială și abordările computaționale nu numai că abordează aceste provocări, dar le transformă fundamental capacitatea noastră de a prevedea rezultatele cu succes. Etapele inițiale ale dezvoltării noi de medicamente sunt deosebit de cruciale – și acesta este locul unde IA și chimia computațională pot avea cel mai semnificativ impact.

Aceste abordări IA și computaționale pot ajuta la găsirea unor terapii noi eficiente pentru a ținti proteinele potrivite pentru a trata boala în faza timpurie de descoperire și optimizare, și nu mai târziu în proces, așa cum a fost cazul de mult timp. Predicția toxicității computaționale este deosebit de utilă în etapele inițiale ale descoperirii medicamentelor, deoarece poate exclude moleculele care sunt probabil să eșueze în încercările clinice. Găsirea celor mai bune medicamente mai devreme – și eliminarea celor care nu vor funcționa – poate salva o decadă de cercetare scumpă și poate crește șansele ca medicamentul să treacă faza încercărilor clinice.

Cercetările recente despre companiile biotehnologice native IA arată tendințe încurajatoare care sugerează că abordările computaționale sunt, într-adevăr, începând să depășească unele dintre cele mai fundamentale provocări în descoperirea medicamentelor. De exemplu, o analiză publicată în Drug Discovery Today a constatat că moleculele descoperite de IA sunt substanțial mai de succes decât media istorică a industriei în faza I a încercărilor clinice – atingând un nivel de succes de 80-90 la sută în faza I, comparativ cu o medie a industriei de 40-65 la sută.

Acest succes din etapa inițială este deosebit de semnificativ, deoarece indică faptul că abordările conduse de IA rezolvă una dintre cele mai fundamentale provocări în descoperirea medicamentelor: proiectarea moleculelor care posedă multiplele caracteristici necesare pentru dezvoltarea farmaceutică.

Puterea optimizării multi-parametrice

La baza acestei transformări se află o abilitate la care chimia computațională bazată pe IA este mult mai bună și mai rapidă decât oamenii: optimizarea multi-parametrică, procesul de echilibrare a mai multor proprietăți ale unui potențial medicament în același timp – cum ar fi puterea, siguranța, specificitatea, permeabilitatea barierului sanguin creier și multe altele. Acest lucru o face mult mai precis, mai rapid și mai eficient pentru a proiecta cei mai promițători candidați, chiar dacă aceste proprietăți se află în conflict unele cu altele.

Abordările tradiționale de descoperire a medicamentelor pot optimiza doar un parametru la un moment dat, făcându-le dificil să îmbunătățească un aspect fără a afecta negativ altele. De exemplu, un medicament destinat să trateze tumorile cerebrale trebuie să poată pătrunde bariera sanguină a creierului pentru a ajunge la creier. Dar un medicament care traversează eficient bariera poate să nu fie suficient de selectiv în ceea ce privește ținta, ceea ce ar putea reduce eficacitatea medicamentului sau provoca efecte secundare nedorite. Abordările tradiționale ar putea optimiza mai întâi aspecte precum permeabilitatea barierului sanguin creier și aborda ulterior alte proprietăți, ceea ce ar putea amâna problemele pe parcursul procesului.

Între timp, instrumentele computaționale îmbunătățite de IA schimbă fundamental abordarea proiectării medicamentelor. În locul optimizării secvențiale care poate duce la eșecuri în etapele târzii, IA permite optimizarea simultană a tuturor parametrilor critici deja în etapa de descoperire. Cu IA, cercetătorii pot introduce date despre multiple constrângeri și cere algoritmilor să găsească o moleculă cunoscută care funcționează cel mai bine cu toate aceste constrângeri – sau să genereze una nouă. Utilizarea instrumentelor IA generative și a instrumentelor de învățare automată în curs de dezvoltare pentru a dezvolta candidați de medicamente optimați mai rapid și mai precis, prin analizarea simultană a mai multor parametri, crește șansele de succes și se așteaptă, în cele din urmă, să ducă la dezvoltarea unor tratamente mai eficiente, mai fiabile și mai sigure pentru pacienți.

Instrumentele computaționale bazate pe IA pot învăța, de asemenea, cerințele unice pentru diferite domenii terapeutice. Algoritmii IA pot incorpora aceste cerințe nuanțate pentru a genera candidați de medicamente care sunt personalizați pentru boli și organe țintă specifice, și nu doar pentru a îndeplini criterii generale pentru a fi molecule de medicament. De exemplu, un compus care țintește tumorile cerebrale se confruntă cu provocări de optimizare diferite decât unul proiectat pentru inflamația cronică asociată cu diabet, artrită, ateroscleroză și alte boli.

Pentru a împuternici cu adevărat aceste abordări conduse de IA, sunt necesare seturi de date extrem de mari de molecule, atât pentru a efectua screening-ul, cât și, mai important, pentru a antrena aceste modele. Cu cât setul de date este mai mare, cu atât este acoperit un spațiu chimic mai mare, ceea ce crește și șansele de succes. În loc de a efectua screening-ul a zeci de mii (sau chiar câteva milioane) de molecule și de a muta câteva zeci în dezvoltare, cercetătorii computaționali pot efectua screening-ul a până la zeci de miliarde de molecule.

Următorul pas: Integrarea abordărilor IA în fluxurile de dezvoltare

Cu creșterea complexității acestor abordări, o provocare majoră este capacitatea de a le efectua la scară. Prin urmare, următorul pas pentru exploatarea IA în descoperirea medicamentelor este de a incorpora instrumente care permit procesului de descoperire să fie scalat prin utilizarea agenților IA – sisteme computaționale autonome care pot efectua sarcini complexe sau procese fără intervenție umană constantă.

De exemplu, agenții pot fi utilizați pentru a colecta și analiza cantitatea necesară și în creștere de informații și pentru a exclude candidații de medicamente mai puțin relevanți.

Odată ce agenții au fost antrenați pe mulți parametri, constrângeri chimice și alte variabile relevante, cum ar fi nivelurile de toxicitate și cerințele FDA, ei vor putea, în cele din urmă, să furnizeze cercetătorilor candidații moleculari de top pentru orice boală.

Provocarea industriei farmaceutice în acest moment nu este dacă să adopte proiectarea de medicamente computațională condusă de IA, ci cât de rapid și de eficient poate fi integrată în fluxurile de dezvoltare existente. În timp ce provocările rămân, primele dovezi sugerează că IA și chimia computațională dețin cheia pentru medicamente mai bune, dezvoltate mai eficient și care ajung la mai mulți pacienți mai rapid decât oricând.