За пределами хайпа: раскрытие реального воздействия генеративного ИИ в открытии лекарств

С тех пор, как Insilico Medicine разработала лекарство для идиопатической легочной фиброза (ИЛФ) с помощью генеративного ИИ, вокруг этого технологии растет все больше волнения о том, как это может изменить открытие лекарств. Традиционные методы являются медленными и дорогими, поэтому идея о том, что ИИ может ускорить процесс, привлекла внимание фармацевтической промышленности. Стартапы появляются, стремясь сделать процессы, такие как предсказание молекулярных структур и моделирование биологических систем, более эффективными. McKinsey Global Institute оценивает, что генеративный ИИ может добавить 60-110 миллиардов долларов в год в эту отрасль. Однако, несмотря на все это волнение, значительные вызовы остаются. От технических ограничений до качества данных и этических проблем, ясно, что путь вперед все еще полон препятствий. Эта статья более внимательно рассматривает баланс между волнением и реальностью генеративного ИИ в открытии лекарств.

Хайп вокруг генеративного ИИ в открытии лекарств

Генеративный ИИ захватил воображение фармацевтической промышленности своим потенциалом кардинально ускорить традиционно медленный и дорогой процесс открытия лекарств. Эти платформы ИИ могут моделировать тысячи молекулярных комбинаций, предсказывать их эффективность и даже предвидеть нежелательные эффекты задолго до начала клинических испытаний. Некоторые эксперты отрасли предсказывают, что лекарства, которые ранее занимали десятилетия для разработки, теперь будут созданы в течение нескольких лет или даже месяцев с помощью генеративного ИИ.

Стартапы и устоявшиеся компании используют потенциал генеративного ИИ для открытия лекарств. Партнерства между фармацевтическими гигантами и стартапами ИИ привели к сделкам, при которых компании, такие как Exscientia, Insilico Medicine и BenevolentAI, получили многомиллионные сотрудничества. Притяжение ИИ-ориентированного открытия лекарств заключается в его обещании создания новых терапий быстрее и дешевле, предоставляя решение одной из самых больших проблем отрасли: высокой стоимости и длительных сроков вывода новых лекарств на рынок.

Ранние успехи

Генеративный ИИ не является просто гипотетическим инструментом; он уже продемонстрировал свою способность давать результаты. В 2020 году Exscientia разработала кандидат на лекарство для обсессивно-компульсивного расстройства, который поступил в клинические испытания менее чем через 12 месяцев после начала программы — срок, намного короче, чем отраслевой стандарт. Insilico Medicine сделала заголовки, открыв новые соединения для фиброза с помощью моделей, сгенерированных ИИ, что еще больше демонстрирует практический потенциал ИИ в открытии лекарств.

За пределами разработки отдельных лекарств ИИ используется для решения других узких мест в фармацевтической цепочке поставок. Например, компании используют генеративный ИИ для оптимизации формул и дизайна лекарств, предсказания реакций пациентов на конкретные методы лечения и открытия биомаркеров для заболеваний, которые ранее были трудно нацеливаться. Эти ранние применения указывают на то, что ИИ действительно может помочь решить давние проблемы в открытии лекарств.

Искусственный ИИ переоценен?

Среди волнения растет скептицизм относительно того, сколько хайпа генеративного ИИ обосновано, а сколько — это преувеличенные ожидания. Хотя истории успеха привлекают заголовки, многие проекты открытия лекарств на основе ИИ не смогли перевести свои ранние обещания в реальные клинические результаты. Фармацевтическая промышленность известна своей медленной реакцией, и перевод вычислительных предсказаний в эффективные, готовые к рынку лекарства остается сложной задачей.

Критики указывают на то, что сложность биологических систем далеко превышает то, что могут полностью понять текущие модели ИИ. Открытие лекарств включает понимание массива сложных молекулярных взаимодействий, биологических путей и факторов, специфичных для пациентов. Хотя генеративный ИИ отлично подходит для данных, основанных на предсказаниях, он испытывает трудности с навигацией по неопределенностям и нюансам, возникающим в человеческой биологии. В некоторых случаях лекарства, которые помогает открыть ИИ, могут не пройти проверку регулирующих органов или могут потерпеть неудачу на более поздних стадиях клинических испытаний — что мы видели ранее с традиционными методами разработки лекарств.

Другой вызов заключается в самих данных. Алгоритмы ИИ полагаются на огромные наборы данных для обучения, и хотя у фармацевтической промышленности есть много данных, они часто шумные, неполные или предвзятые. Системы генеративного ИИ требуют высококачественных, разнообразных данных для точных предсказаний, и эта потребность выявляет пробел в инфраструктуре данных отрасли. Кроме того, когда системы ИИ слишком сильно полагаются на исторические данные, они рискуют укреплять существующие предубеждения, а не инновировать с真正 новыми решениями.

Почему прорыв не прост

Хотя генеративный ИИ показывает обещания, процесс превращения идеи, сгенерированной ИИ, в жизнеспособное терапевтическое решение является сложной задачей. ИИ может предсказать потенциальных кандидатов на лекарства, но проверка этих кандидатов через доклинические и клинические испытания — это где начинается настоящий вызов.

Одной из основных проблем является «черный ящик» алгоритмов ИИ. В традиционном открытии лекарств исследователи могут отслеживать каждый шаг процесса разработки и понимать, почему конкретное лекарство, скорее всего, будет эффективным. Напротив, модели генеративного ИИ часто производят результаты без предоставления информации о том, как они пришли к этим предсказаниям. Эта непрозрачность создает проблемы доверия, поскольку регулирующие органы, специалисты здравоохранения и даже ученые испытывают трудности в полном доверии решениям, сгенерированным ИИ, без понимания лежащих в основе механизмов.

Кроме того, инфраструктура, необходимая для интеграции ИИ в открытие лекарств, все еще разрабатывается. Компании ИИ работают с фармацевтическими гигантами, но их сотрудничество часто выявляет несоответствия в ожиданиях. Фармацевтические компании, известные своей осторожной, сильно регулируемой подходом, часто неохотно принимают инструменты ИИ с темпом, который ожидают стартапы ИИ. Чтобы генеративный ИИ достиг своего полного потенциала, обе стороны должны согласовать соглашения о обмене данными, нормативные рамки и рабочие процессы.

Реальное воздействие генеративного ИИ

Генеративный ИИ, безусловно, ввел парадигмальный сдвиг в фармацевтической промышленности, но его реальное воздействие заключается в дополнении, а не замене, традиционных методов. ИИ может генерировать идеи, предсказывать потенциальные результаты и оптимизировать процессы, но человеческая экспертиза и клинические испытания все еще являются важными для разработки новых лекарств.

На данный момент наиболее непосредственная ценность генеративного ИИ заключается в оптимизации процесса исследования. Он отлично подходит для сужения огромного пула молекулярных кандидатов, позволяя исследователям сосредоточить свое внимание на самых перспективных соединениях. Экономя время и ресурсы на ранних стадиях открытия, ИИ позволяет фармацевтическим компаниям преследовать новые направления, которые могли бы быть сочтены слишком дорогими или рискованными.

В долгосрочной перспективе истинный потенциал ИИ в открытии лекарств, вероятно, будет зависеть от достижений в области объяснимого ИИ, инфраструктуры данных и сотрудничества в отрасли. Если модели ИИ могут стать более прозрачными, делая свои процессы принятия решений более понятными для регулирующих органов и исследователей, это может привести к более широкому принятию ИИ во всей фармацевтической промышленности. Кроме того, по мере улучшения качества данных и развития компаниями более прочных практик обмена данными системы ИИ будут лучше оснащены для совершения прорывных открытий.

Основная мысль

Генеративный ИИ захватил воображение ученых, инвесторов и фармацевтических руководителей, и не зря. Он имеет потенциал изменить то, как открываются лекарства, сокращая время и стоимость, а также доставляя инновационные терапии пациентам. Хотя технология продемонстрировала свою ценность на ранних стадиях открытия лекарств, она еще не готова к трансформации всего процесса.

Истинное воздействие генеративного ИИ в открытии лекарств будет разворачиваться в течение ближайших лет, поскольку технология будет развиваться. Однако этот прогресс зависит от преодоления вызовов, связанных с качеством данных, прозрачностью моделей и сотрудничеством в фармацевтической экосистеме. Генеративный ИИ, безусловно, является мощным инструментом, но его истинная ценность зависит от того, как он применяется. Хотя текущий хайп может быть преувеличен, его потенциал является подлинным — и мы только начинаем открывать, что он может совершить.