Расшифровка языка молекул: как генеративный ИИ ускоряет открытие лекарств

По мере того, как генеративный ИИ эволюционирует, он выходит за рамки расшифровки человеческого языка и осваивает сложные языки биологии и химии. ДНК можно рассматривать как подробный сценарий, последовательность из 3 миллиардов букв, которая руководит функциями и ростом нашего организма. Аналогично, белки, основные компоненты жизни, имеют свой язык, включая алфавит из 20 аминокислот. В химии молекулы также имеют уникальный диалект, как слова, предложения или абзацы, используя грамматические правила. Молекулярная грамматика определяет, как атомы и подструктуры объединяются для формирования молекул или полимеров. Как и грамматика языка определяет структуру предложений, молекулярная грамматика описывает структуру молекул.

По мере того, как генеративный ИИ, такой как большие языковые модели (LLM), демонстрирует свою способность расшифровывать язык молекул, появляются новые возможности для эффективного открытия лекарств. Несколько фармацевтических компаний все чаще используют эту технологию для стимулирования инноваций в разработке лекарств. McKinsey Global Institute (MGI) оценивает, что генеративный ИИ может создать $60 миллиардов до $110 миллиардов ежегодно в экономической ценности для фармацевтической промышленности. Этот потенциал в основном обусловлен его способностью повысить производительность, ускорив выявление потенциальных новых соединений и ускорив их разработку и процесс утверждения. Эта статья исследует, как генеративный ИИ меняет фармацевтическую промышленность, выступая в качестве катализатора для быстрого прогресса в открытии лекарств. Однако, чтобы оценить влияние генеративного ИИ, необходимо понять традиционный процесс открытия лекарств и его внутренние ограничения и проблемы.

Проблемы традиционного открытия лекарств

Традиционный процесс открытия лекарств – это многоэтапное начинание, часто длительное и требующее значительных ресурсов. Он начинается с выявления цели, где ученые определяют биологические цели, участвующие в заболевании, такие как белки или гены. Этот шаг приводит к подтверждению цели, которое подтверждает, что манипулирование целью будет иметь терапевтический эффект. Далее исследователи занимаются выявлением ведущих соединений, чтобы найти потенциальные кандидаты на лекарства, которые могут взаимодействовать с целью. Как только они выявлены, эти ведущие соединения проходят оптимизацию, совершенствуя их химические свойства для повышения эффективности и минимизации побочных эффектов. Предклинические испытания затем оценивают безопасность и эффективность этих соединений в vitro (в пробирке) и в vivo (в животных моделях). Перспективные кандидаты оцениваются в трех фазах клинических испытаний для оценки безопасности и эффективности у человека. Наконец, успешные соединения должны получить нормативное одобрение, прежде чем они будут продаваться и назначаться.

Несмотря на свою тщательность, традиционный процесс открытия лекарств имеет несколько ограничений и проблем. Он известен своей длительностью и высокой стоимостью, часто занимая более десяти лет и стоимостью миллиардов долларов, с высокими показателями неудач, особенно в фазах клинических испытаний. Сложность биологических систем еще больше осложняет процесс, что затрудняет предсказание того, как лекарство будет вести себя у человека. Кроме того, интенсивный скрининг может исследовать только ограниченную часть возможных химических соединений, оставляя многие потенциальные лекарства неоткрытыми. Высокие показатели выбывания также препятствуют процессу, когда многие кандидаты на лекарства терпят неудачу на поздних стадиях разработки, что приводит к потере ресурсов и времени. Кроме того, каждая стадия открытия лекарств требует значительного человеческого вмешательства и экспертизы, что может замедлить прогресс.

Как генеративный ИИ меняет открытие лекарств

Генеративный ИИ решает эти проблемы, автоматизируя различные стадии процесса открытия лекарств. Он ускоряет выявление и подтверждение цели, быстро анализируя огромные объемы биологических данных для более точного выявления и подтверждения потенциальных целей для лекарств. На стадии выявления ведущих соединений алгоритмы ИИ могут предсказывать и генерировать новые химические структуры, которые, вероятно, будут эффективно взаимодействовать с целью. Способность генеративного ИИ исследовать огромное количество вариантов делает процесс химического исследования высокоэффективным. Генеративный ИИ также повышает оптимизацию ведущих соединений, моделируя и предсказывая эффекты химических модификаций на ведущие соединения. Например, NVIDIA (NVDA ) сотрудничал с Recursion Pharmaceuticals (RXRX ), чтобы исследовать более 2,8 квадриллионов комбинаций малых молекул и целей всего за одну неделю. Этот процесс мог бы занять примерно 100 000 лет, чтобы достичь тех же результатов с помощью традиционных методов. Автоматизируя эти процессы, генеративный ИИ значительно снижает время и стоимость, необходимые для вывода нового лекарства на рынок.

Кроме того, идеи, полученные с помощью генеративного ИИ, делают предклинические испытания более точными, выявляя потенциальные проблемы на ранних стадиях процесса, что помогает снизить показатели выбывания. Технологии ИИ также автоматизируют многие трудоемкие задачи, позволяя исследователям сосредоточиться на стратегических решениях и масштабировать процесс открытия лекарств.

Кейс-стади: первое открытие лекарства с помощью генеративного ИИ от Insilico Medicine

Биотехнологическая компания Insilico Medicine использовала генеративный ИИ для разработки первого лекарства от идиопатической легочной фиброзы (ИЛФ), редкого заболевания легких, характеризующегося хроническим рубцеванием, что приводит к необратимому снижению функции легких. Применяя генеративный ИИ к омическим и клиническим наборам данных, связанным с фиброзом тканей, Insilico успешно предсказала тканеспецифические цели фиброза. Используя эту технологию, компания разработала малую молекулу-ингибитор, INS018_055, который показал потенциал против фиброза и воспаления.

В июне 2023 года Insilico Medicine ввела первую дозу INS018_055 пациентам в фазе II клинического испытания. Открытие этого лекарства стало историческим моментом, поскольку в мире было открыто и разработано первое противофибротическое малое молекулярное соединение с помощью генеративного ИИ.

Успех INS018_055 подтверждает эффективность генеративного ИИ в ускорении открытия лекарств и подчеркивает его потенциал для решения сложных заболеваний.

Галлюцинация в генеративном ИИ для открытия лекарств

По мере того, как генеративный ИИ продвигает открытие лекарств, позволяя создавать новые молекулы, важно осознавать значительную проблему, с которой могут столкнуться эти модели. Генеративные модели склонны к явлению, известному как галлюцинация. В контексте открытия лекарств галлюцинация относится к генерации молекул, которые на поверхности кажутся действительными, но на самом деле не имеют биологической значимости или практической полезности. Это явление представляет несколько дилемм.

Одной из основных проблем является химическая нестабильность. Генеративные модели могут производить молекулы с теоретически благоприятными свойствами, но эти соединения могут быть химически нестабильными или склонными к деградации. Такие “галлюцинированные” молекулы могут потерпеть неудачу во время синтеза или проявить неожиданное поведение в биологических системах.

Кроме того, галлюцинированные молекулы часто не имеют биологической значимости. Они могут соответствовать химическим целям, но не взаимодействуют осмысленно с биологическими целями, что делает их неэффективными в качестве лекарств. Даже если молекула кажется перспективной, ее синтез может быть чрезвычайно сложным или дорогим, поскольку галлюцинация не учитывает практические синтетические пути.

Пробел валидации еще больше осложняет проблему. Хотя генеративные модели могут предложить много кандидатов, тщательное экспериментальное тестирование и валидация являются важными для подтверждения их полезности. Этот шаг необходим для моста между теоретическим потенциалом и практическим применением.

Различные стратегии могут быть использованы для смягчения галлюцинаций. Гибридные подходы, сочетающие генеративный ИИ с физико-химическим моделированием или методами, основанными на знаниях, могут помочь фильтровать галлюцинированные молекулы. Противостоящее обучение, при котором модели учатся различать естественные и галлюцинированные соединения, также может улучшить качество сгенерированных молекул. Вовлекая химиков и биологов в итеративный процесс разработки, можно также снизить эффект галлюцинации.

Решая проблему галлюцинации, генеративный ИИ может еще больше раскрыть свой потенциал в ускорении открытия лекарств, делая процесс более эффективным и результативным в разработке новых, жизнеспособных лекарств.

Вывод

Генеративный ИИ меняет фармацевтическую промышленность, ускоряя открытие лекарств и снижая затраты. Хотя проблемы, такие как галлюцинация, остаются, сочетание ИИ с традиционными методами и человеческой экспертизой помогает создавать более точные и жизнеспособные соединения. Insilico Medicine демонстрирует, что генеративный ИИ имеет потенциал для решения сложных заболеваний и вывода новых методов лечения на рынок более эффективно. Будущее открытия лекарств становится более перспективным, с генеративным ИИ, стимулирующим инновации.