AI ช่วยลดข้อจำกัดในการค้นพบยาสมุนไพรขนาดเล็ก

การทำการทดลองทางคลินิกสำหรับการพัฒนายาเป็นกระบวนการที่ช้าและแพง และเพียงเศษเสี้ยวของยาที่ได้รับการพัฒนาจะได้รับการอนุมัติจากหน่วยงานกำกับดูแล ข้อจำกัดที่กว้างขวางในกระบวนการค้นพบยาที่ดินั้นเป็นที่รู้จักกันดีในอุตสาหกรรมยาทั้งหมด : ระยะการทำการทดลองทางคลินิกเพียงอย่างเดียวใช้เวลาเกือบสิบปี และใช้เงินเกือบสามในสี่ของต้นทุนการวิจัยและพัฒนา โดยมีค่าใช้จ่ายเฉลี่ยในการพัฒนายาเพิ่มขึ้นเป็น 2.2 พันล้านดอลลาร์ ในปี 2024

ที่สำคัญที่สุด อุตสาหกรรมยาต้องดิ้นรนในการทำนายผลลัพธ์ของการพัฒนาที่ประสบความสำเร็จในช่วงต้น :約 80-90 เปอร์เซ็นต์ของยาที่ได้รับการพัฒนาจะไม่ได้รับการอนุมัติ แม้ว่าจะใช้เวลาและเงินหลายปีก็ตาม ความปลอดภัยของยาเป็นสาเหตุหลักที่ทำให้เกิดปัญหานี้ โดยมีการทดสอบความเป็นพิษที่ไม่คาดคิดคิดเป็นประมาณ 30 เปอร์เซ็นต์ของความล้มเหลวในการพัฒนายา

AI-discovered molecules are more successful in Phase I trials

อย่างไรก็ตาม ข้อมูลที่เกิดขึ้นใหม่แสดงให้เห็นว่าการใช้ปัญญาประดิษฐ์และวิธีการคำนวณไม่ได้เพียงแต่แก้ไขปัญหาเหล่านี้เท่านั้น แต่ยังเปลี่ยนแปลงความสามารถของเราในการทำนายผลลัพธ์ที่ประสบความสำเร็จด้วย ช่วงแรกของการพัฒนายาใหม่นั้นสำคัญมาก และนี่คือจุดที่ AI และเคมีคำนวณสามารถมีผลกระทบมากที่สุด

วิธีการคำนวณและ AI เหล่านี้สามารถช่วยค้นหาวิธีรักษาที่มีประสิทธิภาพใหม่ ๆ เพื่อเลือกโปรตีนที่ถูกต้องในการรักษาโรคในช่วงการค้นพบและปรับให้เหมาะสมในช่วงแรกของกระบวนการ ไม่ใช่ช่วงท้ายของกระบวนการเหมือนเช่นที่เคยทำมา การทำนายความเป็นพิษโดยใช้การคำนวณเป็นประโยชน์มากในช่วงแรกของการค้นพบยา เนื่องจากสามารถช่วย 排除 โมเลกุลที่อาจล้มเหลวในการทดลองทางคลินิกได้ การค้นหายาที่ดีที่สุดในระยะแรก และการกำจัดยาที่ไม่ทำงาน สามารถช่วยประหยัดเวลาหนึ่งทศวรรษของการวิจัยที่มีค่าใช้จ่ายสูง และเพิ่มโอกาสที่ยาจะผ่านช่วงการทดลองทางคลินิก

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

ที่ใจกลางของการเปลี่ยนแปลงนี้คือทักษะที่เคมีคำนวณที่ใช้ AI มีความสามารถมากกว่ามนุษย์ : การปรับให้เหมาะสมหลายพารามิเตอร์ ซึ่งเป็นกระบวนการในการสร้างสมดุลระหว่างคุณสมบัติหลายอย่างของยาที่มีศักยภาพในเวลาเดียวกัน เช่น ความเข้มข้น ความปลอดภัย ความเฉพาะเจาะจง การผ่าน حاجบเลือดสมอง และอื่น ๆ ซึ่งทำให้การออกแบบยาที่มีแนวโน้มมากที่สุดมีความแม่นยำ รวดเร็ว และมีประสิทธิภาพมากขึ้น แม้ว่าคุณสมบัติเหล่านั้นจะขัดแย้งกันก็ตาม

วิธีการค้นพบยาที่ดินสามารถปรับให้เหมาะสมได้เพียงพารามิเตอร์เดียวในเวลาเดียว ทำให้ยากที่จะปรับปรุงด้านหนึ่งโดยไม่ส่งผลเสียต่ออีกด้านหนึ่ง ตัวอย่างเช่น ยาที่ตั้งใจจะรักษามะเร็งสมองต้องสามารถผ่าน حاجบเลือดสมองเพื่อไปถึงสมองได้ แต่ยาที่ผ่าน حاجบเลือดสมองได้ดีอาจไม่เฉพาะเจาะจงพอที่จะเลือกเป้าหมาย ซึ่งอาจลดประสิทธิภาพของยาหรือทำให้เกิดผลข้างเคียงที่ไม่พึงประสงค์ วิธีการค้นพบยาที่ดินอาจปรับให้เหมาะสมกับปัญหาเช่น การผ่าน حاجบเลือดสมองก่อน และจัดการกับคุณสมบัติอื่น ๆ ในภายหลัง ซึ่งอาจทำให้เกิดปัญหาในระยะหลังของกระบวนการ

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

ความท้าทายของอุตสาหกรรมยาทุกวันนี้ไม่ใช่ว่าจะต้องใช้การออกแบบยาที่ใช้ AI หรือไม่ แต่จะสามารถรวมเข้ากับกระบวนการการพัฒนาที่มีอยู่ได้อย่างรวดเร็วและ有效ขนาดไหน แม้ว่าจะมีความท้าทายเหลืออยู่ แต่หลักฐานในระยะแรกแสดงให้เห็นว่า AI และเคมีคำนวณถือเป็นกุญแจสำคัญในการสร้างยาที่ดีขึ้น โดยพัฒนาอย่างมีประสิทธิภาพและเข้าถึงผู้ป่วยได้เร็วขึ้นกว่าเดิม