Avkodning av molekylers språk: Hur generativ AI accelererar läkemedelsupptäckt

Såsom generativ AI utvecklas, går den bortom att tolka mänskligt språk till att bemästra de invecklade språken av biologi och kemi. Tänk på DNA som en detaljerad skript, en 3-miljarders bokstavsserie som vägleder kroppens funktioner och tillväxt. På samma sätt har proteiner, de väsentliga komponenterna i livet, sitt eget språk, inklusive en 20 aminosyra alfabet. I kemi har molekylerna också ett unikt dialekt, som att konstruera ord, meningar eller stycken med hjälp av grammatikregler. Molekylär grammatik dikterar hur atomer och substrukturer kombineras för att bilda molekyler eller polymerer. Liksom språkgrammatik definierar meningsstrukturen, beskriver molekylär grammatik molekylernas struktur.

Såsom generativ AI, som stora språkmodeller (LLM), visar sin förmåga att avkoda molekylers språk, öppnas nya vägar för effektiv läkemedelsupptäckt. Flera läkemedelsföretag använder alltmer denna teknik för att driva innovation inom läkemedelsutveckling. McKinsey Global Institute (MGI) uppskattar att generativ AI kan skapa $60 miljarder till $110 miljarder per år i ekonomiskt värde för läkemedelsindustrin. Denna potential beror främst på dess förmåga att förbättra produktiviteten genom att påskynda identifieringen av potentiella nya läkemedelskandidater och accelerera deras utveckling och godkännandeprocesser. Denna artikel undersöker hur generativ AI förändrar läkemedelsindustrin genom att fungera som en katalysator för snabba framsteg inom läkemedelsupptäckt. Men för att uppskatta generativ AI:s påverkan är det viktigt att förstå den traditionella läkemedelsupptäcktsprocessen och dess inneboende begränsningar och utmaningar.

Utmaningar i traditionell läkemedelsupptäckt

Den traditionella läkemedelsupptäcktsprocessen är en flerstegsprocess, ofta tidskrävande och resursintensiv. Den börjar med målidentifiering, där forskare identifierar biologiska mål som är involverade i en sjukdom, såsom proteiner eller gener. Detta leder till målvalidering, som bekräftar att manipulation av målet kommer att ha terapeutiska effekter. Nästa steg är identifiering av ledande föreningar för att hitta potentiella läkemedelskandidater som kan interagera med målet. När dessa ledande föreningar har identifierats, genomgår de ledande optimeringen, som förfinar deras kemiska egenskaper för att förbättra effektiviteten och minimera bieffekterna. Prekliniska tester utvärderar sedan säkerheten och effektiviteten hos dessa föreningar in vitro (i provrör) och in vivo (i djurmodeller). Löftesrika kandidater utvärderas i tre kliniska prövningsfaser för att utvärdera säkerhet och effektivitet hos människor. Slutligen måste framgångsrika föreningar godkännas av myndigheterna innan de marknadsförs och förskrivs.

Trots dess noggrannhet har den traditionella läkemedelsupptäcktsprocessen flera begränsningar och utmaningar. Den är ökänt tidskrävande och kostsam, ofta tar över ett decennium och kostar miljarder dollar, med höga misslyckandefrekvenser, särskilt i de kliniska prövningsfaserna. Biologiska systemens komplexitet komplicerar processen ytterligare, vilket gör det svårt att förutsäga hur ett läkemedel kommer att bete sig hos människor. Dessutom kan den intensiva screeningen endast undersöka en begränsad del av de möjliga kemiska föreningarna, vilket lämnar många potentiella läkemedel upptäckta. Hög avskrivningsfrekvens försvårar processen, där många läkemedelskandidater misslyckas under sen utveckling, vilket leder till slösad tid och resurser. Dessutom kräver varje steg i läkemedelsupptäckten betydande mänsklig inblandning och expertis, vilket kan sakta ner framstegen.

Hur generativ AI förändrar läkemedelsupptäckt

Generativ AI möter dessa utmaningar genom att automatisera olika steg i läkemedelsupptäcktsprocessen. Den påskyndar målidentifiering och validering genom att snabbt analysera stora mängder biologiska data för att mer exakt identifiera och validera potentiella läkemedelsmål. I ledande föreningsidentifieringsfasen kan AI-algoritmer förutsäga och generera nya kemiska strukturer som sannolikt kommer att interagera effektivt med målet. Generativ AI:s förmåga att utforska ett stort antal ledande föreningar gör den kemiska utforskningen mycket effektiv. Generativ AI förbättrar också ledande optimering genom att simulera och förutsäga effekterna av kemiska modifieringar på ledande föreningar. Till exempel samarbetade NVIDIA (NVDA ) med Recursion Pharmaceuticals (RXRX ) för att undersöka över 2,8 kvadriljoner kombinationer av små molekyler och mål på bara en vecka. Denna process kunde ha tagit cirka 100 000 år att uppnå samma resultat med traditionella metoder. Genom att automatisera dessa processer minskar generativ AI betydligt tiden och kostnaden för att ta ett nytt läkemedel till marknaden.

Dessutom gör generativ AI-drivna insikter prekliniska tester mer exakta genom att identifiera potentiella problem tidigare i processen, vilket hjälper till att sänka avskrivningsfrekvensen. AI-teknologier automatiserar också många arbetsintensiva uppgifter, vilket möjliggör för forskare att fokusera på högnivåstrategiska beslut och skala upp läkemedelsupptäcktsprocessen.

Case Study: Insilico Medicines första generativa AI-läkemedelsupptäckt

Ett bioteknikföretag, Insilico Medicine, har använt generativ AI för att utveckla det första läkemedlet för idiopatisk lungfibros (IPF), en sällsynt lungsjukdom som kännetecknas av kronisk ärrbildning som leder till irreversibel lungfunktionsnedgång. Genom att tillämpa generativ AI på omics- och kliniska dataset relaterade till vävnadsfibros, identifierade Insilico framgångsrikt vävnadsspecifika fibros-mål. Med hjälp av denna teknik designade företaget en liten molekylhämmare, INS018_055, som visade potential mot fibros och inflammation.

I juni 2023 administrerade Insilico den första dosen av INS018_055 till patienter i en fas II-klinisk prövning. Upptäckten av detta läkemedel markerade ett historiskt ögonblick som världens första anti-fibrotiska småmolekylhämmare som upptäckts och designats med hjälp av generativ AI.

INS018_055:s framgång validerar effektiviteten hos generativ AI i att påskynda läkemedelsupptäckt och framhäver dess potential att tackla komplexa sjukdomar.

Hallucination i generativ AI för läkemedelsupptäckt

Såsom generativ AI främjar läkemedelsupptäckt genom att möjliggöra skapandet av nya molekyler, är det viktigt att vara medveten om en betydande utmaning som dessa modeller kan möta. De generativa modellerna är benägna att en fenomen kallad hallucination. I sammanhanget med läkemedelsupptäckt refererar hallucination till generering av molekyler som ser giltiga ut på ytan men saknar faktisk biologisk relevans eller praktisk nytta. Detta fenomen presenterar flera dilemman.

Ett stort problem är kemisk instabilitet. Generativa modeller kan producera molekyler med teoretiskt fördelaktiga egenskaper, men dessa föreningar kan vara kemiskt instabila eller benägna att brytas ned. Sådana “hallucinerade” molekyler kan misslyckas under syntes eller visa oväntat beteende i biologiska system.

Dessutom saknar hallucinerade molekyler ofta biologisk relevans. De kan passa med kemiska mål men misslyckas med att interagera meningsfullt med biologiska mål, vilket gör dem ineffektiva som läkemedel. Även om en molekyl verkar lovande, kan dess syntes vara förbjudande komplex eller dyrt, eftersom hallucination inte tar hänsyn till praktiska syntetiska vägar.

Valideringsgapet komplicerar frågan ytterligare. Medan generativa modeller kan föreslå många kandidater, är rigorös experimentell testning och validering avgörande för att bekräfta deras nytta. Detta steg är avgörande för att överbrygga klyftan mellan teoretisk potential och praktisk tillämpning.

Olika strategier kan användas för att mildra hallucinationer. Hybridtillvägagångssätt som kombinerar generativ AI med fysikbaserad modellering eller kunskapsdrivna metoder kan hjälpa till att filtrera hallucinerade molekyler. Adversarial träning, där modeller lär sig att skilja mellan naturliga och hallucinerade föreningar, kan också förbättra kvaliteten på genererade molekyler. Genom att involvera kemister och biologer i den iterativa designprocessen kan effekten av hallucination också minskas.

Genom att möta utmaningen med hallucination kan generativ AI ytterligare sitt löfte i att påskynda läkemedelsupptäckt, vilket gör processen mer effektiv och effektiv i att utveckla nya, livskraftiga läkemedel.

Slutsatsen

Generativ AI förändrar läkemedelsindustrin genom att påskynda läkemedelsupptäckt och minska kostnader. Medan utmaningar som hallucination kvarstår, hjälper kombinationen av AI med traditionella metoder och mänsklig expertis till att skapa mer exakta och livskraftiga föreningar. Insilico Medicine visar att generativ AI har potentialen att tackla komplexa sjukdomar och ta fram nya behandlingar till marknaden på ett mer effektivt sätt. Framtiden för läkemedelsupptäckt blir alltmer lovande, med generativ AI som driver innovationer.