AI ช่วยลดข้อจำกัดในการค้นพบยาสมุนไพรขนาดเล็ก

การทำการทดลองทางคลินิกสำหรับการพัฒนายาเป็นกระบวนการที่ช้าและแพง และเพียงเศษเสี้ยวของยาที่ได้รับการพัฒนาจะได้รับการอนุมัติจากหน่วยงานกำกับดูแล ข้อจำกัดที่กว้างขวางในกระบวนการค้นพบยาที่ดินั้นเป็นที่รู้จักกันดีในอุตสาหกรรมยาทั้งหมด : ระยะการทำการทดลองทางคลินิกเพียงอย่างเดียวใช้เวลาเกือบสิบปี และใช้เงินเกือบสามในสี่ของต้นทุนการวิจัยและพัฒนา โดยมีค่าใช้จ่ายเฉลี่ยในการพัฒนายาเพิ่มขึ้นเป็น 2.2 พันล้านดอลลาร์ ในปี 2024

ที่สำคัญที่สุดอุตสาหกรรมยาประสบปัญหาในการคาดการณ์ผลลัพธ์ของการพัฒนาในระยะเริ่มต้นที่ประสบความสำเร็จ: ประมาณ 80-90 เปอร์เซ็นต์ของยาที่พัฒนาแล้วไม่ได้รับการอนุมัติ แม้หลังจากใช้เวลาและเงินไปหลายปี ความปลอดภัยของยาเป็นสาเหตุหลักของปัญหานี้ โดยการทดสอบความเป็นพิษที่ไม่คาดคิดคิดเป็นประมาณ 30 เปอร์เซ็นต์ของความล้มเหลวในการพัฒนายา

AI-discovered molecules are more successful in Phase I trials

อย่างไรก็ตาม ข้อมูลที่เกิดขึ้นใหม่แสดงให้เห็นว่าการใช้ปัญญาประดิษฐ์และวิธีการคำนวณไม่ได้เพียงแต่แก้ไขปัญหาเหล่านี้เท่านั้น แต่ยังเปลี่ยนแปลงความสามารถของเราในการทำนายผลลัพธ์ที่ประสบความสำเร็จด้วย ช่วงแรกของการพัฒนายาใหม่นั้นสำคัญมาก และนี่คือจุดที่ AI และเคมีคำนวณสามารถมีผลกระทบมากที่สุด

วิธีการคำนวณและปัญญาประดิษฐ์เหล่านี้สามารถช่วยค้นพบวิธีการรักษาใหม่ๆ ที่มีแนวโน้มดี โดยการเลือกโปรตีนที่เหมาะสมสำหรับการรักษาโรคในช่วงขั้นตอนการค้นพบและการปรับปรุงให้เหมาะสม ตั้งแต่เนิ่นๆ ในกระบวนการ ไม่ใช่ในช่วงท้ายๆ เหมือนที่เคยเป็นมา การทำนายความเป็นพิษด้วยการคำนวณนั้นมีประโยชน์อย่างยิ่งในระยะเริ่มต้นของการค้นพบยา เนื่องจากสามารถช่วยกำจัดโมเลกุลที่อาจไม่ผ่านการทดลองทางคลินิก การค้นพบยาที่ดีที่สุดตั้งแต่เนิ่นๆ และการกำจัดยาที่ไม่มีประสิทธิภาพสามารถช่วยประหยัดเวลาในการวิจัยที่มีค่าใช้จ่ายสูงหลายสิบปีและเพิ่มโอกาสที่ยาจะผ่านการทดลองทางคลินิก

การวิจัยล่าสุดเกี่ยวกับบริษัทไบโอเทคที่เป็นเจ้าของ AI ระบุแนวโน้มที่ให้กำลังใจซึ่งแสดงให้เห็นว่าวิธีการคำนวณกำลังเริ่มเอาชนะความท้าทายพื้นฐานบางอย่างในการค้นพบยา ตัวอย่างเช่น การวิเคราะห์ที่ตีพิมพ์ใน Drug Discovery Today พบว่าโมเลกุลที่ค้นพบโดย AI มีประสิทธิภาพมากกว่า ยาที่พัฒนามาในอุตสาหกรรมในระยะที่ 1 มาก โดยมีอัตราความสำเร็จ 80-90 เปอร์เซ็นต์ในระยะที่ 1 เมื่อเทียบกับอัตราความสำเร็จเฉลี่ยของอุตสาหกรรมที่ 40-65 เปอร์เซ็นต์

The power of multi-parameter optimization

หัวใจสำคัญของการเปลี่ยนแปลงนี้คือทักษะที่เคมีเชิงคำนวณที่ขับเคลื่อนด้วย AI เหนือกว่ามนุษย์: การปรับปรุงให้เหมาะสมแบบหลายพารามิเตอร์ ซึ่งเป็นกระบวนการปรับสมดุลคุณสมบัติหลายประการของยาที่มีศักยภาพพร้อมกัน เช่น ความเข้มข้น ความปลอดภัย ความจำเพาะ พื้นที่หน้าตัดของเลือด-สมอง และอื่นๆ สิ่งนี้ช่วยให้การออกแบบยาที่มีแนวโน้มดีที่สุดมีความแม่นยำ รวดเร็ว และมีประสิทธิภาพมากขึ้น แม้ว่าคุณสมบัติเหล่านั้นจะขัดแย้งกันก็ตาม

วิธีการค้นหายาแบบดั้งเดิมสามารถปรับปรุงพารามิเตอร์ได้ทีละอย่างเท่านั้น ทำให้ยากที่จะปรับปรุงด้านใดด้านหนึ่งโดยไม่ส่งผลกระทบเชิงลบต่อด้านอื่น ตัวอย่างเช่น ยาที่มุ่งรักษาโรคมะเร็งสมองต้องสามารถผ่านเข้าสู่สมองได้ อย่างไรก็ตาม ยาที่ผ่านเข้าสู่สมองได้ดีอาจไม่จำเพาะเจาะจงเพียงพอที่จะเลือกเป้าหมาย ซึ่งอาจลดประสิทธิภาพของยาหรือทำให้เกิดผลข้างเคียงที่ไม่พึงประสงค์ วิธีการค้นหายาแบบดั้งเดิมอาจให้ความสำคัญกับการผ่านเข้าสู่สมองเป็นอันดับแรก และจัดการกับคุณสมบัติอื่นๆ ในภายหลัง ซึ่งอาจสร้างปัญหาในขั้นตอนต่อๆไปของกระบวนการ

ในขณะเดียวกัน เครื่องมือคำนวณที่ได้รับการปรับปรุงโดย AI เปลี่ยนแปลงวิธีการออกแบบยาโดยพื้นฐาน แทนที่จะใช้การปรับให้เหมาะสมแบบลำดับซึ่งอาจทำให้เกิดความล้มเหลวในระยะหลัง AI ช่วยให้นักวิจัยสามารถให้ข้อมูลเกี่ยวกับข้อจำกัดหลายอย่างและขอให้อัลกอริทึมค้นหาสมุนไพรที่ทำงานได้ดีที่สุดโดยคำนึงถึงข้อจำกัดเหล่านั้น หรือสร้างสมุนไพรใหม่ โดยใช้เครื่องมือ AI ที่มีการพัฒนาอย่างรวดเร็วและเครื่องมือการเรียนรู้ของเครื่องเพื่อพัฒนายาที่มีประสิทธิภาพมากขึ้น โดยการวิเคราะห์พารามิเตอร์หลายอย่างในเวลาเดียวกัน ซึ่งเพิ่มโอกาสที่จะประสบความสำเร็จและคาดว่าจะนำไปสู่การสร้างยาที่มีประสิทธิภาพ มีความน่าเชื่อถือ และมีความปลอดภัยมากขึ้นสำหรับผู้ป่วย

The next step: Integrating AI approaches into development pipelines

ด้วยความซับซ้อนของวิธีการเหล่านี้ ความท้าทายหลักคือความสามารถในการดำเนินการเหล่านี้ในระดับใหญ่ ดังนั้นขั้นตอนต่อไปสำหรับการใช้ AI ในการค้นพบยาคือการรวมเครื่องมือที่ช่วยให้กระบวนการค้นพบสามารถขยายได้โดยใช้ AI ระบบที่เป็นอิสระซึ่งสามารถดำเนินงานที่ซับซ้อนหรือกระบวนการโดยไม่ต้องมีการแทรกแซงจากมนุษย์อย่างต่อเนื่อง

ตัวอย่างเช่น ระบบสามารถใช้ในการรวบรวมและวิเคราะห์ข้อมูลที่จำเป็นและเพิ่มขึ้นอย่างต่อเนื่อง และกำจัดยาที่มีแนวโน้มน้อยที่จะประสบความสำเร็จ

เมื่อระบบได้รับการฝึกอบรมในหลายพารามิเตอร์ ข้อจำกัดทางเคมี และตัวแปรอื่น ๆ เช่น ระดับความเป็นพิษและข้อกำหนดของ FDA ระบบจะสามารถให้ผลลัพธ์ที่ดีที่สุดแก่นักวิจัยสำหรับโรคใด ๆ ได้

ความท้าทายสำหรับอุตสาหกรรมยาในปัจจุบันไม่ใช่ว่าการออกแบบยาโดยใช้ AI นั้นจำเป็นหรือไม่ แต่เป็นว่าจะสามารถบูรณาการเข้ากับกระบวนการพัฒนาที่มีอยู่ได้อย่างรวดเร็วและมีประสิทธิภาพเพียงใด แม้ว่าความท้าทายจะยังคงอยู่ แต่หลักฐานเบื้องต้นแสดงให้เห็นว่า AI และเคมีเชิงคำนวณเป็นกุญแจสำคัญในการสร้างยาที่ดีขึ้น พัฒนายาได้อย่างมีประสิทธิภาพมากขึ้น และเข้าถึงผู้ป่วยได้เร็วกว่าที่เคยเป็นมา