โมเดลและแพลตฟอร์ม AI
การพัฒนายาด้วย AI: ใช้ปัญญาประดิษฐ์ค้นพบยาใหม่อย่างสร้างสรรค์
ประเด็นสำคัญAI ลดระยะเวลาการค้นพบยาจากหลายปีเหลือเพียงไม่กี่เดือน ดังเช่นกรณีแอนติบอดี de novo ของ…
ดูเพิ่มเติม
- AI ลดระยะเวลาการค้นพบยาจากหลายปีเหลือเพียงไม่กี่เดือน ดังเช่นกรณีแอนติบอดี de novo ของ Absci ที่พัฒนาภายใน 18-24 เดือน
- ปัจจุบัน Generative AI ออกแบบตัวยาสารใหม่ตั้งแต่เริ่มต้น ตัวอย่างเช่น Target X ของ Insilico Medicine ที่อยู่ในการทดลองระยะที่ 1
- การระบุเป้าหมายด้วย AI ค้นพบเส้นทางชีวภาพใหม่ เช่น Verge Genomics พบเอนไซม์ PIKfyve สำหรับรักษาโรค ALS
การค้นพบยาเป็นที่รู้จักว่าเป็น “จากทดลองไปสู่การรักษา” เนื่องจากมีระยะเวลานานและต้นทุนสูง มันใช้เวลาประมาณ 11 ถึง 16 ปี และระหว่าง 1 พันล้านถึง 2 พันล้านเหรียญสหรัฐ เพื่อนำยามาสู่ตลาด แต่ตอนนี้ AI กำลังปฏิวัติวงการพัฒนายาด้วยการเพิ่มความเร็วและผลกำไร
AI ในการพัฒนายามีการเปลี่ยนแปลงแนวทางและกลยุทธ์ของเราในการวิจัยและนวัตกรรมด้านชีวการแพทย์ มันช่วยให้นักวิจัยลดความซับซ้อนของวิถีทางการเกิดโรคและระบุเป้าหมายทางชีวภาพ
มาดูกันอย่างลึกซึ้งว่า AI ในการค้นพบยามีศักยภาพอะไรสำหรับอนาคต
การทำความเข้าใจบทบาทของ AI: วิธีการใช้ AI สำหรับการค้นพบยา?

AI ได้ปรับปรุงขั้นตอนต่างๆ ของการค้นพบยาด้วยความสามารถในการวิเคราะห์ข้อมูลจำนวนมากและทำการคาดการณ์ที่ซับซ้อน มาดูกันว่า AI ใช้ในการค้นพบยาอย่างไร:
1. การระบุเป้าหมาย
การระบุเป้าหมายเป็นขั้นตอนแรกของการค้นพบยาซึ่งเกี่ยวข้องกับการระบุองค์ประกอบระดับโมเลกุลที่เป็นไปได้ เช่น โปรตีน เอนไซม์ และรีเซพเตอร์ที่มีอยู่ในร่างกายที่สามารถรวมกับยาที่จะให้ผลรักษาโรค
AI สามารถใช้ฐานข้อมูลทางคลินิกขนาดใหญ่ที่มีข้อมูลสำคัญเกี่ยวกับการระบุเป้าหมาย ข้อมูลเหล่านี้สามารถรวมถึงการวิจัยทางชีวการแพทย์ ข้อมูลทางชีวโมเลกุล ข้อมูลการทดลองทางคลินิก โครงสร้างโปรตีน ฯลฯ
โมเดล AI ที่ได้รับการฝึกฝนร่วมกับเทคนิคทางชีวการแพทย์ เช่น การแสดงออกของยีน สามารถเข้าใจโรคทางชีวภาพที่ซับซ้อนและระบุเป้าหมายทางชีวภาพสำหรับยาที่มีศักยภาพ ตัวอย่างเช่น นักวิจัยได้พัฒนาเทคนิค AI ต่างๆ สำหรับการ การระบุเป้าหมายต้านมะเร็งใหม่
2. การเลือกเป้าหมาย
AI ในการค้นพบยาสามารถช่วยให้นักวิจัยเลือกเป้าหมายที่มีศักยภาพตามความสัมพันธ์กับโรคและประโยชน์ที่คาดการณ์ไว้ ด้วยการรู้จำรูปแบบที่แข็งแกร่ง AI สามารถเลือกเป้าหมายเหล่านี้ไม่เพียงแต่จากวรรณกรรมทางการแพทย์ที่ประกาศแล้ว แต่ยังสามารถเลือกเป้าหมายใหม่ที่ไม่มีการอ้างอิงในเอกสารสิทธิบัตรที่เผยแพร่
3. การจัดลำดับความสำคัญของยา
ในขั้นตอนนี้ AI ประเมินและจัดลำดับความสำคัญของยาที่มีศักยภาพสำหรับการประเมินและวิจัยเพิ่มเติมเพื่อพัฒนายาให้ก้าวหน้ามากขึ้น เมื่อเทียบกับเทคนิคการจัดลำดับความสำคัญก่อนหน้านี้ วิธีการที่ใช้ AI มีประสิทธิภาพมากกว่าในการระบุสารที่มีศักยภาพพัฒนาเป็นยามากที่สุด ตัวอย่างเช่น นักวิจัยได้พัฒนา เฟรมเวิร์กการคำนวณโดยใช้การเรียนรู้ลึก เพื่อระบุและจัดลำดับความสำคัญของยาที่มีนวัตกรรมสำหรับโรคอัลไซเมอร์
4. การทดสอบสารประกอบ
โมเดล AI สามารถคาดการณ์คุณสมบัติทางเคมีและฤทธิ์ทางชีวภาพของสารประกอบและให้ข้อมูลเกี่ยวกับผลข้างเคียงที่อาจเกิดขึ้น มันสามารถวิเคราะห์ข้อมูลจากแหล่งต่างๆ รวมถึงการศึกษาก่อนหน้านี้และฐานข้อมูลเพื่อระบุความเสี่ยงหรือผลข้างเคียงที่อาจเกิดขึ้นกับสารประกอบเฉพาะ ตัวอย่างเช่น นักวิจัยได้พัฒนา เครื่องมือการเรียนรู้ลึก เพื่อคัดกรองคลังสารเคมีที่มีโมเลกุลหลายพันล้านชนิดเพื่อเร่งการสำรวจสารประกอบในวงกว้าง
5. การออกแบบยาขึ้นใหม่ (de novo)
การค้นหาสารประกอบใหม่โดยการค้นหาด้วยมือเป็นวิธีการแบบดั้งเดิมในการค้นพบยา ด้วย AI นักวิจัยสามารถคัดกรองสารประกอบใหม่ได้ทั้งเมื่อมีหรือไม่มีข้อมูลเดิมและคาดการณ์โครงสร้าง 3 มิติของยาที่ค้นพบได้ ตัวอย่างเช่น AlphaFold ที่พัฒนาโดย DeepMind เป็นระบบ AI ที่สามารถคาดการณ์โครงสร้างโปรตีน มันเก็บฐานข้อมูลการคาดการณ์โครงสร้างโปรตีนมากกว่า 200 ล้านรายการซึ่งสามารถเร่งกระบวนการออกแบบยาขึ้นใหม่ (de novo)
5 ตัวอย่างการค้นพบยาที่ประสบความสำเร็จโดยใช้ AI

1) Abaucin
ยาปฏิชีวนะฆ่าแบคทีเรีย แต่เนื่องจากการขาดยาที่มีนวัตกรรมใหม่และแบคทีเรียที่ต้านทานยาปฏิชีวนะเก่า ทำให้แบคทีเรียยากต่อการรักษา Abaucin เป็นยาปฏิชีวนะทดลองที่มีฤทธิ์สูงซึ่งพัฒนาด้วย AI ที่ออกแบบมาเพื่อฆ่า Acinetobacter baumannii ซึ่งเป็นหนึ่งในแบคทีเรียดื้อยารุนแรงที่อันตรายที่สุด
โดยใช้ AI นักวิจัยทดสอบยาที่มีอยู่หลายพันชนิดเพื่อดูว่ายาที่มีประสิทธิภาพมากที่สุดในการต่อต้านแบคทีเรีย Acinetobacter baumannii จากนั้นข้อมูลนี้ถูกใช้ในการฝึก AI เพื่อสร้างยาที่สามารถรักษาได้อย่างมีประสิทธิภาพ
2) Target X โดย Insilico Medicine
Insilico Medicine ใช้แพลตฟอร์มAI เชิงกำเนิดและสร้างยาที่เรียกว่า Target X ซึ่งอยู่ในระยะทดลองทางคลินิก ระยะที่ 1 Target X ได้รับการออกแบบมาเพื่อรักษา โรคพังผืดในปอดไม่ทราบสาเหตุ ซึ่งเป็นโรคที่สามารถทำให้ปอดแข็งตัวได้หากไม่ได้รับการรักษา ระยะทดลองจะเกี่ยวข้องกับผู้เข้าร่วม 80 คน และครึ่งหนึ่งจะได้รับขนาดยาที่ค่อย ๆ สูงขึ้น ซึ่งจะช่วยประเมินว่ายามีปฏิกิริยากับร่างกายมนุษย์อย่างไร
3) VRG50635 โดย Verge Genomic
Verge Genomics บริษัทการค้นพบยาที่ใช้ AI ใช้แพลตฟอร์ม AI CONVERGE เพื่อค้นพบสารประกอบใหม่ VRG-50635 สำหรับการรักษา ALS โดยการวิเคราะห์ข้อมูลจากมนุษย์ ข้อมูลเหล่านี้รวมถึงข้อมูลเกี่ยวกับเนื้อเยื่อสมองและไขสันหลังของผู้ป่วยโรคทางระบบประสาท เช่น โรคพาร์คินสัน ALS และโรคอัลไซเมอร์
แพลตฟอร์มแรกพบว่าเอนไซม์ PIKfyve เป็นเป้าหมายที่เป็นไปได้สำหรับ ALS และจากนั้น แนะนำ VRG50635 เป็นตัวยับยั้ง PIKfyve ที่มีแนวโน้ม ซึ่งกลายเป็นสารที่มีศักยภาพพัฒนาเป็นยาสำหรับการรักษา ALS กระบวนการนี้ใช้เวลาประมาณสี่ปี และปัจจุบันสารดังกล่าวอยู่ในระยะทดลองทางคลินิก ระยะที่ 1
4) Exscientia-A2a Receptor
Exscientia บริษัท MedTech ที่ใช้ AI เป็นผู้รับผิดชอบในโมเลกุลตัวแรกที่ AI ออกแบบสำหรับการรักษามะเร็งด้วยภูมิคุ้มกัน ซึ่งเป็นรูปแบบหนึ่งของการรักษามะเร็งโดยใช้ระบบภูมิคุ้มกันของร่างกายในการต่อสู้กับเซลล์มะเร็ง ยาที่พัฒนาโดย AI ของพวกเขาได้เข้าสู่ระยะทดลองทางคลินิกในมนุษย์ ศักยภาพของมันอยู่ที่ความสามารถในการเลือกเป้าหมาย รีเซพเตอร์ A2a เพื่อส่งเสริมกิจกรรมต้านมะเร็งในขณะที่ทำให้มีผลข้างเคียงน้อยลงต่อร่างกายและสมอง
โดยใช้ AI เชิงกำเนิด พวกเขาได้สร้าง สารประกอบอื่นๆ สำหรับการเลือกเป้าหมายโรคต่างๆ เช่น
- มะเร็งที่พึ่งพากระบวนการถอดรหัสอย่างมาก โดยเลือก สารยับยั้ง CDK7
- โรคอักเสบโดยเลือก เอนไซม์ PKC-theta
- โรคทางโลหิตวิทยาและโรคมะเร็งโดยเลือก ตัวควบคุม LSD1
5) Absci: แอนติบอดีที่ออกแบบขึ้นใหม่ด้วย AI เชิงกำเนิดแบบ Zero-shot
Absci บริษัทค้นพบยาที่ใช้AI เชิงกำเนิด ได้แสดงให้เห็นถึงการใช้ AI เชิงกำเนิดแบบไม่ใช้ตัวอย่างเฉพาะงาน (zero-shot)เพื่อสร้างสารภูมิต้านทาน de novo ผ่านการจำลองคอมพิวเตอร์ การเรียนรู้แบบ zero-shot หมายถึงโมเดลไม่ได้รับตัวอย่างเฉพาะสำหรับข้อมูลหรืองานปัจจุบันระหว่างการฝึก ดังนั้นกระบวนการนี้สามารถสร้างการออกแบบสารภูมิต้านทานใหม่ๆ ได้ได้ด้วยตัวเอง
สารภูมิต้านทานรักษาที่มีพลังจาก AI ลดเวลาที่ใช้ในการพัฒนายาใหม่จากสูงสุดหกปีเหลือ 18–24 เดือน และเพิ่มโอกาสที่จะประสบความสำเร็จในคลินิก เทคโนโลยีของบริษัทสามารถทดสอบและตรวจสอบการออกแบบที่สร้างโดย AI ได้ 3 ล้านรายการในแต่ละสัปดาห์ การพัฒนานี้อาจช่วยส่งมอบยาที่มีนวัตกรรมใหม่ๆ ให้กับผู้ป่วยทุกคนได้ทันที ซึ่งเป็นการเปลี่ยนแปลงอุตสาหกรรมที่สำคัญ
อนาคตของ AI และการค้นพบยาคืออะไร?
นอกจาก การประยุกต์ใช้ AI ในด้านสุขภาพอื่นๆ AI กำลังทำให้กระบวนการค้นพบยามีความเร็วและฉลาดมากขึ้นโดยการวิเคราะห์ข้อมูลจำนวนมากและคาดการณ์เป้าหมายและสารที่มีศักยภาพพัฒนาเป็นยา โดยใช้ AI เชิงกำเนิด บริษัทไบโอเทคสามารถระบุเครื่องหมายการตอบสนองของผู้ป่วยและพัฒนาแผนการรักษาเฉพาะบุคคลได้อย่างรวดเร็ว
รายงานหนึ่งระบุว่าในไม่ช้า บริษัท MedTech มากขึ้นจะรวม AI และ ML เข้ากับการค้นพบยาที่มีนวัตกรรมในระยะแรก ซึ่งจะช่วยสร้างตลาดมูลค่า 50 พันล้านเหรียญสหรัฐภายในสิบปีถัดไป ซึ่งจะสร้างโอกาสเติบโตที่สำคัญของ AI ในอุตสาหกรรมเภสัชกรรม AI มีศักยภาพที่จะลดต้นทุนการค้นพบยาทั้งหมด ทำให้มียามีนวัตกรรมใหม่ๆ มากขึ้นสำหรับผู้ป่วยได้เร็วขึ้น
หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ AI และวิธีที่จะกำหนดรูปแบบอนาคตของเรา โปรดเยี่ยมชม unite.ai












