AI-drivna medicinska genombrott: Utnyttjande av artificiell intelligens för ny läkemedelsupptäckt

Läkemedelsupptäckt kallas “från bänk till säng” på grund av dess långa varaktighet och höga kostnader. Det tar runt 11 till 16 år och mellan $1 miljard till $2 miljard för att få ett läkemedel på marknaden. Men nu revolutionerar AI läkemedelsutvecklingen, vilket ger en bättre takt och lönsamhet.

AI i läkemedelsutveckling har förändrat vår tillvägagångssätt och strategi för biomedicinsk forskning och innovation. Det har hjälpt forskare att minska komplexiteten i en sjukdomsprocess och identifiera biologiska mål.

Låt oss titta närmare på vad potentialen för AI i läkemedelsupptäckt håller för framtiden.

Att förstå AI:s roll: Hur används det för läkemedelsupptäckt?

AI har förbättrat olika stadier av läkemedelsupptäcktsprocessen med sin förmåga att analysera stora mängder data och göra komplexa förutsägelser. Här är hur:

1. Målidentifiering

Målidentifiering är den första processen i läkemedelsupptäckt som innebär att identifiera möjliga molekylära enheter som proteiner, enzymer och receptorer som finns i kroppen och som kan kombineras med läkemedel för att producera terapeutiska effekter mot sjukdomar.

AI kan utnyttja stora kliniska databaser som innehåller nyckelinformation om målidentifiering. Dessa datakällor kan inkludera biomedicinsk forskning, biomolekylär information, kliniska prövningar, proteinstrukturer etc.

Tränade AI-modeller tillsammans med biomedicinska tekniker som genuttryck kan förstå komplexa biologiska sjukdomar och identifiera biologiska mål för läkemedelskandidater. Till exempel har forskare utvecklat olika AI-tekniker för identifiering av nya anticancer-mål.

2. Målselektion

AI i läkemedelsupptäckt kan hjälpa forskare att välja lovande mål baserat på deras sjukdomssamband och förutsagda terapeutiska nytta. Med stark mönsterigenkänning kan AI göra detta urval baserat inte bara på deklarerad medicinsk litteratur utan också välja helt nya mål utan någon tidigare referens i publicerade patent.

3. Läkemedelsprioritering

I detta skede utvärderar och rangordnar AI ledande läkemedelsföreningar, prioriterar dem för ytterligare utvärdering och forskning för att främja deras utveckling. Jämfört med tidigare rankningstekniker är AI-baserade tillvägagångssätt mer effektiva för att identifiera de mest lovande kandidaterna. Till exempel har forskare utvecklat en Deep Learning-baserad beräkningsram för att identifiera och prioritera nya läkemedel för Alzheimers sjukdom.

4. Föreningsscreening

AI-modeller kan förutsäga föreningars kemiska egenskaper och bioaktivitet och ge insikt i ogynnsamma effekter. De kan analysera data från olika källor, inklusive tidigare studier och databaser, för att identifiera eventuella risker eller bieffekter som är förknippade med en viss förening. Till exempel har forskare utvecklat ett deep learning-verktyg för att screena kemiska bibliotek med miljarder molekyler för att avsevärt accelerera storstilet föreningsexploration.

5. De Novo läkemedelsdesign

Manuell screening av stora samlingar av föreningar har varit en traditionell praxis i läkemedelsupptäckt. Med AI kan forskare screena nya föreningar med eller utan tidigare information och också förutsäga den slutliga 3D-strukturen hos de upptäckta läkemedlen. Till exempel är AlphaFold, utvecklat av DeepMind, ett AI-system som kan förutsäga proteinstrukturer. Det underhåller en databas med över 200 miljoner proteinstrukturprediktioner som kan accelerera läkemedelsdesignprocessen.

5 Framgångsrika AI-baserade läkemedelsupptäcktexempel

1) Abaucin

Antibiotika dödar bakterier. Men på grund av bristen på nya läkemedel och den snabba utvecklingen av bakteriell resistens mot äldre läkemedel, blir bakterier allt svårare att behandla. Abaucin, ett AI-utvecklat starkt experimentellt antibiotikum, är utformat för att döda Acinetobacter baumannii, en av de farligaste superbug-bakterierna.

Med hjälp av AI testade forskarna först tusentals mediciner för att se hur väl de fungerar mot bakterien, Acinetobacter baumannii. Sedan användes denna information för att träna AI att komma med ett läkemedel som kan effektivt behandla det.

2) Target X av Insilico Medicine

Insilico Medicine använde sin Generative AI-plattform och skapade ett läkemedel som kallas Target X, som nu är i fas 1 kliniska prövningar. Target X är utformat för att behandla Idiopatisk lungfibros, en sjukdom som kan orsaka lungstelhet hos äldre individer om den inte behandlas. Fas 1 kommer att omfatta 80 deltagare, och hälften kommer att få högre doser gradvis. Detta kommer att hjälpa till att utvärdera hur läkemedelsmolekylen interagerar med den mänskliga kroppen.

3) VRG50635 av Verge Genomics

Verge Genomics, ett AI-läkemedelsupptäcktsföretag, använde sin AI-plattform CONVERGE för att upptäcka en ny förening, VRG-50635, för behandling av ALS genom att analysera mänskliga datapunkter. Datapunkterna inkluderade information om hjärn- och ryggmärgsvävnader från patienter med neurodegenerativa sjukdomar som Parkinsons, ALS och Alzheimers.

Plattformen hittade först PIKfyve-enzymet som ett möjligt mål för ALS och föreslog sedan VRG50635 som ett lovande hämmare av PIKfyve, som blev en potentiell läkemedelskandidat för behandling av ALS. Processen tog runt fyra år, och nu är kandidaten i fas 1 av de mänskliga prövningarna.

4) Exscientia-A2a-receptor

Exscientia, ett AI MedTech-företag, är ansvarigt för den första AI-designade molekylen för immuno-onkologisk behandling – en form av cancerbehandling som använder kroppens immunförsvar för att bekämpa cancerceller. Deras AI-läkemedel har inletts i den mänskliga kliniska prövningsfasen. Dess potential ligger i dess förmåga att målinrikta A2a-receptorn för att främja anti-tumöraktivitet samtidigt som det säkerställer färre bieffekter på kroppen och hjärnan.

Med hjälp av Generative AI har de skapat några andra föreningar för att målinrikta olika sjukdomar som

• Transkriptionellt beroende cancerceller genom att målinrikta CDK7-hämmare
• Inflammatoriska sjukdomar genom att målinrikta PKC-theta-enzym
• Hematologi- och onkologisjukdomar genom att målinrikta LSD1-regulator

5) Absci-de Novo-antikroppar med Zero-Shot Generative AI

Absci, ett Generative AI-läkemedelsupptäcktsföretag, har demonstrerat sin användning av zero-shot generative AI för att skapa de novo-antikroppar via datorsimulering. Zero-shot-lärande innebär att AI-modellen inte har testats explicit på den aktuella indatainformationen under träningsfasen. Därför kan denna process komma med nya antikroppsdesigner på egen hand.

De novo terapeutiska antikroppar som drivs av AI kortar tiden det tar att utveckla nya läkemedelskandidater från upp till sex år till bara 18 till 24 månader, vilket ökar deras sannolikhet för framgång i kliniken. Företagets teknik kan testa och validera 3 miljoner AI-genererade design varje vecka. Denna nya utveckling kunde omedelbart leverera nya terapier till varje patient, vilket markerar en betydande industriell förändring.

Vad håller framtiden för AI och läkemedelsupptäckt?

Förutom många andra hälsoapplikationer gör AI läkemedelsupptäcktsprocessen snabbare och mer intelligent genom att analysera stora datamängder och förutsäga lovande läkemedelsmål och kandidater. Med hjälp av generative AI kan bioteknikföretag identifiera patientresponsmarkörer och utveckla personliga behandlingsplaner snabbt.

En rapport föreslår att snart kommer fler MedTech-företag att inkorporera AI och ML i tidig läkemedelsupptäckt, vilket kommer att hjälpa till att skapa en marknad på 50 miljarder dollar inom de närmaste tio åren, vilket skapar en betydande tillväxtpotential för AI inom läkemedelsindustrin. AI kommer potentiellt att minska de totala läkemedelsupptäcktskostnaderna, vilket gör att fler nya läkemedel blir tillgängliga för patienter snabbare.

Om du vill veta mer om AI och hur det kommer att forma vår framtid, besök unite.ai.