Hur AI bryter ned flaskhalsarna i upptäckten av småmolekylära läkemedel

Kliniska prövningar för läkemedelsutveckling är ökänt långsamma och dyra, och endast en liten bråkdel av läkemedelskandidater godkänns av tillsynsmyndigheterna. De omfattande flaskhalsarna i den traditionella läkemedelsupptäcktsprocessen är alltför välbekanta för dem inom läkemedelsindustrin: Den kliniska fasen tar cirka ett decennium och står för nästan tre fjärdedelar av FoU-kostnaderna, med den genomsnittliga kostnaden för att utveckla ett läkemedel som stiger till en förbluffande 2,2 miljarder dollar år 2024.

Kanske mest kritiskt har läkemedelsindustrin kämpat med att förutsäga framgångsrika utvecklingsresultat under tidiga skeden: Cirka 80-90 procent av läkemedelskandidater misslyckas med att godkännas trots de många åren och den omfattande finansieringen som lagts på deras utveckling. Läkemedelssäkerhet är en stor anledning till detta, med oförutsedda toxicitetsproblem som står för cirka 30 procent av läkemedelsutvecklingsmisslyckanden.

AI-upptäckta molekyler är mer framgångsrika i fas I-prövningar

Emellertid tyder framväxande data på att artificiell intelligens och beräkningsbaserade metoder inte bara hanterar dessa utmaningar – de förändrar grundläggande vår förmåga att förutsäga framgångsrika resultat. De tidiga skedena av ny läkemedelsutveckling är särskilt avgörande – och det är här AI och beräkningskemi kan ha den mest betydande påverkan.

Dessa AI- och beräkningsbaserade metoder kan hjälpa till att hitta effektiva nya terapier för att målinrikta rätt proteiner för att behandla sjukdomar i den tidiga upptäckts- och optimeringsfasen, snarare än senare i processen, vilket länge har varit fallet. Beräkningsbaserad toxicitetsprediktion är särskilt användbar i de tidiga skedena av läkemedelsupptäckt, eftersom den kan utesluta molekyler som sannolikt kommer att misslyckas i kliniska prövningar. Att hitta de bästa läkemedlen tidigare – och utesluta de som inte kommer att fungera – kan spara ett decennium av dyra forskningar och öka chansen att läkemedlet kommer att klara den kliniska prövningen.

Nyligen genomförd forskning om AI-nativa bioteknikföretag visar uppmuntrande trender som tyder på att beräkningsbaserade metoder faktiskt börjar övervinna några av de mest grundläggande utmaningarna i läkemedelsupptäckt. Till exempel fann en analys som publicerades i Drug Discovery Today att AI-upptäckta molekyler är avsevärt mer framgångsrika än historiska branschgenomsnitt i fas I-prövningar – med en framgångsgrad på 80-90 procent i fas I, jämfört med ett branschgenomsnitt på 40-65 procent.

Denna tidiga framgång är särskilt betydelsefull eftersom den tyder på att AI-drivna metoder löser en av de mest grundläggande utmaningarna i läkemedelsupptäckt: att utforma molekyler som besitter de många egenskaper som krävs för farmaceutisk utveckling.

Kraften i multiparameteroptimering

I hjärtat av denna transformation ligger en färdighet som AI-driven beräkningskemi är mycket bättre och snabbare på än människor: multiparameteroptimering, processen att balansera flera egenskaper hos ett potentiellt läkemedel samtidigt – som effektivitet, säkerhet, specificitet, permeabilitet genom blod-hjärnbarriären och många andra. Detta gör det mycket mer exakt, snabbt och effektivt att utforma de mest lovande kandidaterna, även om dessa egenskaper motsätter sig varandra.

Traditionella metoder för läkemedelsupptäckt kan endast optimera en parameter i taget, vilket gör det svårt att förbättra en aspekt utan att negativt påverka andra. Till exempel behöver ett läkemedel som är avsett att behandla hjärntumörer kunna tränga igenom blod-hjärnbarriären för att nå hjärnan. Men ett läkemedel som effektivt korsar barriären kan inte vara tillräckligt selektivt för sitt mål, vilket kan minska läkemedlets effektivitet eller orsaka oönskade bieffekter. Traditionella metoder kan optimera för problem som blod-hjärnbarriärpermeabilitet först och hantera andra egenskaper senare, vilket potentiellt kan skjuta problemen framåt i processen istället för att hantera dem i början.

Samtidigt förändrar AI-förbättrade beräkningsverktyg grundläggande tillvägagångssättet för läkemedelsdesign. Istället för sekventiell optimering som kan leda till senare misslyckanden, möjliggör AI samtidig optimering över alla kritiska parametrar redan i upptäcktsstadiet. Med AI kan forskare mata in data om flera begränsningar och be algoritmerna att hitta en känd molekyl som fungerar bäst med alla dessa begränsningar – eller generera en ny. Genom att använda snabbt framskridande generativ AI och maskinlärningsverktyg för att utveckla optimala läkemedelskandidater snabbare och mer exakt, genom att samtidigt analysera flera parametrar, ökar sannolikheten för framgång och förväntas ultimat leda till utvecklingen av mer effektiva, tillförlitliga och säkra behandlingar för patienter.

AI-baserade beräkningsverktyg kan också lära sig de unika kraven för olika terapeutiska områden. AI-algoritmer kan inkorporera dessa nyanserade krav för att generera läkemedelskandidater som är anpassade för specifika sjukdomar och målorgan, snarare än att bara uppfylla allmänna kriterier för att vara läkemedelsliknande molekyler. Till exempel står en förening som riktar sig mot hjärntumörer inför olika optimeringsutmaningar än en som är utformad för kronisk inflammation som är förknippad med artrit, diabetes, ateroskleros och andra sjukdomar.

För att verkligen ge kraft åt dessa AI-drivna metoder krävs ultra-stora datamängder av molekyler, både för att screena och, ännu viktigare, för att träna dessa modeller. Ju större datamängden är, desto mer kemiskt utrymme täcks, vilket också ökar chanserna till framgång. Istället för att screena tiotusentals (eller till och med ett par miljoner) molekyler och flytta ett dussin till utveckling, kan beräkningsforskare screena så många som tiotals miljarder molekyler.

Nästa steg: Integrera AI-metoder i utvecklingspipeliner

Med den ökade komplexiteten i dessa metoder är en stor utmaning förmågan att utföra dem i stor skala. Därför är nästa steg för att utnyttja AI i läkemedelsupptäckt att införliva verktyg som tillåter upptäcktsprocessen att skalas genom användning av AI-agenter – autonoma beräkningssystem som kan utföra komplexa uppgifter eller processer utan konstant mänsklig inblandning.

Till exempel kan agenterna användas för att samla in och analysera den nödvändiga och ständigt växande mängden information och utesluta mindre relevanta läkemedelskandidater.

När agenterna har tränats på många parametrar, kemiska begränsningar och andra relevanta variabler som toxicitetsnivåer och FDA-krav, kommer de slutligen att kunna ge forskare de ledande molekylära kandidaterna för vilken sjukdom som helst.

Läkemedelsindustrins utmaning nu är inte om de ska anta AI-driven beräkningsbaserad läkemedelsdesign, utan hur snabbt och effektivt det kan integreras i befintliga utvecklingspipeliner. Medan utmaningar kvarstår, tyder de tidiga bevisen på att AI och beräkningskemi håller nyckeln till bättre läkemedel som utvecklas mer effektivt och når fler patienter snabbare än någonsin.