Розшифровка мови молекул: Як генеративний AI прискорює відкриття ліків

Як генеративний AI розвивається, він переходить від розшифровки людської мови до освоєння складних мов біології та хімії. Подумайте про ДНК як про детальний сценарій, 3-мілліардну послідовність букв, яка керує функціями та ростом нашого організму. Аналогічно, білки, які є суттєвими компонентами життя, мають свою мову, включаючи алфавіт з 20 амінокислот. У хімії молекули також мають унікальний діалект, як і складання слів, речень або абзаців за допомогою граматичних правил. Молекулярна граматика диктує, як атоми та підструктури поєднуються для формування молекул або полімерів. Як і граматика мови визначає структуру речень, молекулярна граматика описує структуру молекул.

Як генеративний AI, такий як великі мови моделі (LLM), демонструє свою здатність розшифровувати мову молекул, відкриваються нові шляхи для ефективного відкриття ліків. Багато фармацевтичних компаній все частіше використовують цю технологію для стимулювання інновацій у розробці ліків. McKinsey Global Institute (MGI) оцінює, що генеративний AI може створити $60 мільярдів до $110 мільярдів на рік економічної вартості для фармацевтичної промисловості. Цей потенціал в основному пояснюється його здатністю підвищувати продуктивність шляхом прискорення ідентифікації потенційних нових лікарських сполук та прискорення їх розробки та процесів затвердження. Ця стаття досліджує, як генеративний AI змінює фармацевтичну промисловість, діючи як каталізатор для швидких досягнень у відкритті ліків. Однак, щоб оцінити вплив генеративного AI, важливо зрозуміти традиційний процес відкриття ліків та його вбудовані обмеження та виклики.

Виклики традиційного відкриття ліків

Традиційний процес відкриття ліків – це багатостадійне підприємство, часто часозатратне та ресурсоємне. Воно починається з ідентифікації цілі, де вчені визначають біологічні цілі, пов’язані з хворобою, такими як білки або гени. Цей крок веде до валідації цілі, яка підтверджує, що маніпулювання цією ціллю матиме терапевтичний ефект. Далі дослідники займаються ідентифікацією лід-сполук, щоб знайти потенційних кандидатів на лікарські засоби, які можуть взаємодіяти з цією ціллю. Як тільки ці лід-сполуки будуть ідентифіковані, вони проходять оптимізацію лід-сполук, уточнюючи їх хімічні властивості для підвищення ефективності та мінімізації побічних ефектів. Дослідження на доклінічній стадії оцінюють безпеку та ефективність цих сполук в умовах in vitro (у пробірках) та in vivo (у моделях тварин). Перспективні кандидати оцінюються у трьох стадіях клінічних досліджень для оцінки безпеки та ефективності у людей. Нарешті, успішні сполуки повинні отримати нормативне затвердження перед тим, як бути виведені на ринок та призначені пацієнтам.

Незважаючи на свою повноту, традиційний процес відкриття ліків має кілька обмежень та викликів. Він є відомим тим, що займає багато часу та коштує дорого, часто триває понад десятиліття та коштує мільярди доларів, з високими рівнями невдач, особливо на стадіях клінічних досліджень. Складність біологічних систем ще більше ускладнює процес, роблячи його важким для прогнозування, як лікарський засіб поведеться у людей. Крім того, інтенсивний скринінг може досліджувати лише обмежену частину можливих хімічних сполук, залишаючи багато потенційних ліків недослідженими. Високі показники атриції також ускладнюють процес, коли багато кандидатів на лікарські засоби невдаються під час пізньої стадії розробки, що призводить до марнування ресурсів та часу. Крім того, кожна стадія відкриття ліків вимагає значної участі людини та експертизи, що може сповільнити прогрес.

Як генеративний AI змінює відкриття ліків

Генеративний AI вирішує ці виклики, автоматизуючи різні стадії процесу відкриття ліків. Він прискорює ідентифікацію цілі та валідацию шляхом швидкого аналізу великих обсягів біологічних даних для більш точної ідентифікації та валідації потенційних цілей лікарських засобів. На стадії відкриття лід-сполук алгоритми AI можуть передбачати та генерувати нові хімічні структури, які, ймовірно, взаємодіяють ефективно з цією ціллю. Здатність генеративного AI досліджувати велику кількість лід-сполук робить процес хімічного дослідження дуже ефективним. Генеративний AI також підвищує оптимізацію лід-сполук шляхом моделювання та прогнозування ефектів хімічних модифікацій на лід-сполуки. Наприклад, NVIDIA співпрацювала з Recursion Pharmaceuticals для дослідження понад 2,8 квадрильйона комбінацій малих молекул та цілей лише за тиждень. Цей процес міг зайняти приблизно 100 000 років для досягнення тих самих результатів традиційними методами. Автоматизуючи ці процеси, генеративний AI суттєво скорочує час та кошти, необхідні для виведення нового лікарського засобу на ринок.

Крім того, висновки, отримані за допомогою генеративного AI, роблять доклінічне тестування більш точним шляхом ідентифікації потенційних проблем на ранній стадії процесу, що допомагає знижувати показники атриції. Технології AI також автоматизують багато трудомістких завдань, дозволяючи дослідникам зосередитися на стратегічних рішеннях вищого рівня та масштабуванні процесу відкриття ліків.

Кейс-стадія: Перше відкриття ліків за допомогою генеративного AI від Insilico Medicine

Біотехнологічна компанія Insilico Medicine використала генеративний AI для розробки першого лікарського засобу для ідіопатичної легеневої фібрози (IPF), рідкої легеневої хвороби, характеризованої хронічним рубцюванням, яке призводить до незворотного зниження функції легенів. Застосовуючи генеративний AI до омік та клінічних наборів даних, пов’язаних з тканинним рубцюванням, Insilico успішно передбачила тканинно-специфічні цілі рубцювання. Використовуючи цю технологію, компанія розробила малий молекулярний інгібітор, INS018_055, який показав потенціал проти рубцювання та запалення.

У червні 2023 року Insilico ввела перший дозу INS018_055 пацієнтам у дослідженні фази II. Відкриття цього лікарського засобу стало історичним моментом, оскільки у світі вперше був відкритий та розроблений антифібротичний малий молекулярний інгібітор за допомогою генеративного AI.

Успіх INS018_055 підтверджує ефективність генеративного AI у прискоренні відкриття ліків та підкреслює його потенціал для вирішення складних захворювань.

Галюцинація у генеративному AI для відкриття ліків

Як генеративний AI прискорює відкриття ліків, дозволяючи створити нові молекули, важливо бути обізнаним про значний виклик, з яким можуть зіткнутися ці моделі. Генеративні моделі схильні до явища, відомого як галюцинація. У контексті відкриття ліків галюцинація означає генерацію молекул, які на поверхні здаються дійсними, але насправді не мають біологічної значущості чи практичної корисності. Це явище представляє кілька дилем.

Одна з основних проблем – хімічна нестабільність. Генеративні моделі можуть створювати молекули з теоретично сприятливими властивостями, але ці сполуки можуть бути хімічно нестабільними або схильними до деградації. Такі “галюциновані” молекули можуть невдаху під час синтезу або проявляти непередбачувану поведінку у біологічних системах.

Крім того, галюциновані молекули часто не мають біологічної значущості. Вони можуть підходити до хімічних цілей, але не взаємодіяти суттєво з біологічними цілями, роблячи їх неефективними як лікарські засоби. Навіть якщо молекула здається перспективною, її синтез може бути надто складним або дорогим, оскільки галюцинація не враховує практичних синтетичних шляхів.

Пробіл валідації ще більше ускладнює питання. Хоча генеративні моделі можуть пропонувати численні кандидати, суворе експериментальне тестування та валідация є важливими для підтвердження їх корисності. Цей крок необхідний для подолання розриву між теоретичним потенціалом та практичним застосуванням.

Різні стратегії можуть бути застосовані для пом’якшення галюцинацій. Гібридні підходи, що поєднують генеративний AI з фізико-хімічним моделюванням або знання-орієнтованими методами, можуть допомогти фільтрувати галюциновані молекули. Антагоністичне навчання, при якому моделі навчаються розрізняти природні та галюциновані сполуки, також може покращити якість згенерованих молекул. Включення хіміків та біологів до ітеративного процесу розробки також може зменшити ефект галюцинації.

Вирішуючи проблему галюцинації, генеративний AI може ще більше реалізувати свій потенціал у прискоренні відкриття ліків, роблячи процес більш ефективним та ефективним у розробці нових, життєздатних ліків.

Висновок

Генеративний AI змінює фармацевтичну промисловість, прискорюючи відкриття ліків та знижуючи витрати. Хоча залишаються виклики, такі як галюцинація, поєднання AI з традиційними методами та людською експертизою допомагає створити більш точні та життєздатні сполуки. Insilico Medicine демонструє, що генеративний AI має потенціал для вирішення складних захворювань та виведення нових ліків на ринок більш ефективно. Майбутнє відкриття ліків стає більш перспективним, з генеративним AI, який стимулює інновації.