การถอดรหัสภาษาของโมเลกุล: วิธีการที่ Generative AI เร่งการค้นพบยา

เมื่อ Generative AI พัฒนาไปอีกขั้น มันจะพัฒนาตัวมันเองให้สามารถเข้าใจภาษาของชีววิทยาและเคมีได้ ลองนึกถึง DNA เป็น สคริปต์ที่มีรายละเอียด ซึ่งเป็นลำดับ 3 พันล้านตัวอักษรที่ชี้นำการทำงานและการเติบโตของร่างกาย ในทำนองเดียวกัน โปรตีน ซึ่งเป็นส่วนประกอบสำคัญของชีวิต มีภาษาของมันเอง รวมถึงตัวอักษร 20 ตัวที่เป็นกรดอะมิโน ในด้านเคมี โมเลกุลก็มี ภาษาเฉพาะ เช่น การสร้างคำ วลี หรือย่อหน้าโดยใช้กฎไวยากรณ์ ไวยากรณ์ของโมเลกุลกำหนดว่าอะตอมและโครงสร้างย่อยจะรวมกันเป็นโมเลกุลหรือพอลิเมอร์อย่างไร เช่นเดียวกับไวยากรณ์ของภาษาที่กำหนดโครงสร้างของประโยค ไวยากรณ์ของโมเลกุลอธิบายโครงสร้างของโมเลกุล

เมื่อ Generative AI เช่น โมเดลภาษาขนาดใหญ่ (LLMs) แสดงให้เห็นถึงความสามารถในการถอดรหัสภาษาของโมเลกุล จะมีเส้นทางใหม่สำหรับการค้นพบยาที่มีประสิทธิภาพหลายทางเลือก บริษัทเภสัชกรรมหลายแห่งกำลังใช้เทคโนโลยีนี้เพื่อขับเคลื่อนนวัตกรรมในการพัฒนายา สถาบัน McKinsey Global Institute (MGI) ประมาณการว่า Generative AI อาจสร้าง $60 พันล้านถึง $110 พันล้าน ต่อปีในมูลค่าทางเศรษฐกิจสำหรับอุตสาหกรรมเภสัชกรรม สิ่งนี้เกิดจากความสามารถในการเพิ่มผลผลิตโดยการเร่งการระบุสารประกอบยาที่มีศักยภาพใหม่และเร่งกระบวนการพัฒนาและการอนุมัติผลิตภัณฑ์เหล่านั้น บทความนี้จะสำรวจว่า Generative AI เปลี่ยนแปลงอุตสาหกรรมเภสัชกรรมอย่างไรโดยการเร่งการค้นพบยา อย่างไรก็ตาม เพื่อเข้าใจผลกระทบของ Generative AI จึงจำเป็นต้องเข้าใจกระบวนการค้นพบยาที่มีมาแต่เดิมและข้อจำกัดที่มีอยู่

ความท้าทายของการค้นพบยาที่มีมาแต่เดิม

กระบวนการค้นพบยาที่มีมาแต่เดิมเป็นกระบวนการที่มีหลายขั้นตอน ซึ่งมักจะใช้เวลานานและต้องใช้ทรัพยากรมาก มันเริ่มต้นด้วยการระบุเป้าหมาย โดยนักวิทยาศาสตร์จะระบุเป้าหมายทางชีววิทยาที่เกี่ยวข้องกับโรค เช่น โปรตีนหรือยีน ขั้นตอนนี้นำไปสู่การยืนยันการระบุเป้าหมาย ซึ่งยืนยันว่าการดัดแปลงเป้าหมายจะส่งผลทาง trị療 ต่อไปนักวิจัยจะเข้าสู่ขั้นตอนการระบุสารประกอบนำ โดยการค้นหาสารประกอบที่มีศักยภาพที่จะโต้ตอบกับเป้าหมาย เมื่อระบุสารประกอบนำแล้ว จะเข้าสู่ขั้นตอนการปรับให้เหมาะสม โดยการปรับปรุงคุณสมบัติทางเคมีเพื่อเพิ่มประสิทธิภาพและลดผลข้างเคียง การทดสอบก่อนคลินิกจะประเมินความปลอดภัยและประสิทธิภาพของสารประกอบเหล่านี้ในหลอดทดลอง (in vitro) และในแบบจำลองสัตว์ (in vivo) สารประกอบที่มีศักยภาพจะถูกประเมินในสามขั้นตอนของการ试 nghiệmทางคลินิกเพื่อประเมินความปลอดภัยและประสิทธิภาพในมนุษย์ สุดท้าย สารประกอบที่ประสบความสำเร็จจะต้องได้รับการอนุมัติจากหน่วยงานกำกับดูแลก่อนที่จะถูกวางตลาดและสั่งยาสำหรับผู้ป่วย

尽管กระบวนการค้นพบยาที่มีมาแต่เดิมมีความครอบคลุม แต่ก็มีข้อจำกัดและความท้าทายหลายประการ มันใช้เวลานานและต้องใช้ทรัพยากรมาก โดยทั่วไปจะใช้เวลามากกว่า 10 ปีและต้องใช้เงินหลายพันล้านดอลลาร์ โดยมีอัตราการล้มเหลวสูง โดยเฉพาะในขั้นตอนการ试 nghiệmทางคลินิก ความซับซ้อนของระบบชีววิทยายังทำให้กระบวนการค้นพบยามีความซับซ้อน ทำให้ยากต่อการคาดการณ์ว่ายาจะทำงานอย่างไรในมนุษย์ นอกจากนี้ การค้นหาที่เข้มข้นสามารถสำรวจได้เพียงเศษเสี้ยวของสารประกอบเคมีที่เป็นไปได้ ทำให้หลายยาที่มีศักยภาพไม่ถูกค้นพบ อัตราการล้มเหลวสูงในขั้นตอนการ试 nghiệmทางคลินิกยังทำให้กระบวนการค้นพบยามีความซับซ้อน โดยหลายสารประกอบนำล้มเหลวในขั้นตอนการ试 nghiệmทางคลินิก ทำให้เสียทรัพยากรและเวลา

วิธีการที่ Generative AI เปลี่ยนแปลงการค้นพบยา

Generative AI จัดการกับความท้าทายเหล่านี้โดยการทำให้กระบวนการค้นพบยามีประสิทธิภาพมากขึ้น โดยการเร่งการระบุเป้าหมายและการยืนยันการระบุเป้าหมาย โดยการวิเคราะห์ข้อมูลทางชีววิทยาในปริมาณมากเพื่อระบุและยืนยันการระบุเป้าหมายที่มีศักยภาพ ในขั้นตอนการค้นหาสารประกอบนำ อัลกอริทึม AI สามารถคาดการณ์และสร้างโครงสร้างเคมีใหม่ที่มีแนวโน้มจะโต้ตอบกับเป้าหมายได้ดี ความสามารถของ Generative AI ในการสำรวจสารประกอบนำจำนวนมากทำให้กระบวนการค้นหาสารประกอบนำมีประสิทธิภาพสูง

Generative AI ยังปรับปรุงการปรับให้เหมาะสมโดยการจำลองและคาดการณ์ผลกระทบของการดัดแปลงทางเคมีต่อสารประกอบนำ ตัวอย่างเช่น NVIDIA (NVDA ) ร่วมมือกับ Recursion Pharmaceuticals (RXRX ) เพื่อสำรวจมากกว่า 2.8 ควอดริลเลียน ของการผสมผสานระหว่างโมเลกุลขนาดเล็กและเป้าหมายในเวลาเพียงหนึ่งสัปดาห์ กระบวนการนี้อาจใช้เวลาประมาณ 100,000 ปีในการบรรลุผลลัพธ์เดียวกันโดยใช้วิธีการแบบดั้งเดิม โดยการทำให้กระบวนการเหล่านี้เป็นอัตโนมัติ Generative AI ลดเวลาและต้นทุนในการพัฒนายาใหม่ๆ

กรณีศึกษา: การค้นพบยาของ Insilico Medicine โดยใช้ Generative AI

บริษัทไบโอเทค Insilico Medicine ใช้ Generative AI เพื่อพัฒนายาแรกสำหรับ โรคปอดอุดกั้นไม่ทราบสาเหตุ (IPF) ซึ่งเป็นโรคปอดที่มีลักษณะเป็นแผลเป็นเรื้อรังที่ทำให้การทำงานของปอดลดลง โดยการประยุกต์ใช้ Generative AI กับข้อมูล omics และข้อมูลทางคลินิกที่เกี่ยวข้องกับการสร้างเนื้อเยื่อ Insilico สามารถคาดการณ์เป้าหมายการสร้างเนื้อเยื่อได้สำเร็จ โดยใช้เทคโนโลยีนี้ บริษัทได้ออกแบบสารประกอบขนาดเล็กที่มีศักยภาพในการต่อต้านการสร้างเนื้อเยื่อและการอักเสบ

ในเดือนมิถุนายน 2023 Insilico ได้ให้ยา INS018_055 แก่ผู้ป่วยเป็นครั้งแรกใน การ试 nghiệmทางคลินิกขั้นที่ 2 การค้นพบยานี้ถือเป็นก้าวสำคัญ เนื่องจากเป็นยาตัวแรกที่ถูกออกแบบและค้นพบโดยใช้ Generative AI

ความสำเร็จของ INS018_055 ยืนยันถึงประสิทธิภาพของ Generative AI ในการเร่งการค้นพบยา และเน้นย้ำถึงศักยภาพในการจัดการกับโรคที่ซับซ้อน

การหลอกลวงใน Generative AI สำหรับการค้นพบยา

เมื่อ Generative AI พัฒนาไปสู่การค้นพบยาโดยการสร้างโมเลกุลใหม่ๆ มันเป็นเรื่องสำคัญที่จะต้องตระหนักถึงความท้าทายที่สำคัญที่โมเดลเหล่านี้อาจเผชิญ โมเดลเหล่านี้มีแนวโน้มที่จะเกิด การหลอกลวง ในบริบทของการค้นพบยา การหลอกลวงหมายถึงการสร้างโมเลกุลที่ดูเหมือนถูกต้องบนพื้นผิว แต่ขาดความเกี่ยวข้องทางชีววิทยาหรือความเป็นไปได้ในการใช้งาน

ปัญหาหลักๆ หนึ่งคือความไม่มั่นคงทางเคมี โมเดลสร้างสามารถสร้างโมเลกุลที่มีคุณสมบัติที่น่าสนใจทางทฤษฎี แต่โมเลกุลเหล่านี้อาจไม่มั่นคงหรือเสี่ยงต่อการย่อยสลายได้ โมเลกุล “หลอกลวง” เหล่านี้อาจล้มเหลวในการสังเคราะห์หรือแสดงพฤติกรรมที่ไม่คาดคิดในระบบชีววิทยา

นอกจากนี้ โมเลกุลหลอกลวงมักขาดความเกี่ยวข้องทางชีววิทยา โมเลกุลเหล่านี้อาจเข้ากันได้กับเป้าหมายทางเคมี แต่ไม่โต้ตอบกับเป้าหมายทางชีววิทยาที่มีความหมาย ทำให้ไม่มีประสิทธิภาพในการรักษา แม้ว่าโมเลกุลหนึ่งๆ จะดูเหมือนมีศักยภาพ แต่การสังเคราะห์อาจซับซ้อนหรือมีค่าใช้จ่ายสูง เนื่องจากการหลอกลวงไม่ได้คำนึงถึงเส้นทางสังเคราะห์ที่เป็นไปได้

ช่องว่างในการตรวจสอบยังทำให้ปัญหาเพิ่มมากขึ้น แม้ว่าโมเดลสร้างจะสามารถเสนอแนะผู้สมัครได้มากมาย แต่การทดสอบและตรวจสอบอย่างเข้มงวดเป็นสิ่งจำเป็นในการยืนยันความมีประโยชน์ สิ่งนี้เป็นขั้นตอนสำคัญในการเชื่อมช่องว่างระหว่างศักยภาพทางทฤษฎีและความเป็นไปได้ในการใช้งานจริง

ยังมีกลยุทธ์ต่างๆ ที่สามารถใช้เพื่อลดการหลอกลวงได้ วิธีการแบบผสมผสานที่รวม Generative AI กับแบบจำลองที่ใช้หลักการฟิสิกส์หรือวิธีการที่ขับเคลื่อนด้วยความรู้สามารถช่วยกรองโมเลกุลหลอกลวงได้ การฝึกอบรมแบบ Adversarial ซึ่งโมเดลเรียนรู้ที่จะแยกแยะระหว่างสารประกอบธรรมชาติและหลอกลวงสามารถปรับปรุงคุณภาพของโมเลกุลที่สร้างขึ้นได้ โดยการมีส่วนร่วมของนักเคมีและนักชีววิทยาในกระบวนการออกแบบแบบเรื่อยๆ สามารถลดผลกระทบของการหลอกลวงได้

สรุป

Generative AI เปลี่ยนแปลงอุตสาหกรรมเภสัชกรรมโดยการเร่งการค้นพบยาและลดต้นทุน แม้ว่าจะมีความท้าทายอย่างการหลอกลวง แต่การผสมผสาน AI กับวิธีการแบบดั้งเดิมและความเชี่ยวชาญของมนุษย์ช่วยให้สามารถสร้างสารประกอบที่แม่นยำและใช้ได้จริงมากขึ้น Insilico Medicine แสดงให้เห็นว่า Generative AI มีศักยภาพในการจัดการกับโรคที่ซับซ้อนและนำยาตัวใหม่เข้าสู่ตลาดได้อย่างมีประสิทธิภาพ อนาคตของการค้นพบยากำลังดูสัญญาสมบูรณ์มากขึ้น โดยมี Generative AI ขับเคลื่อนนวัตกรรม