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-мільярдну букву, 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 свою унікальну діалект, як і складання слів, речень або абзаців за допомогою правил граматики. Молекулярна граматика диктує, як атоми та підструктури сполучаються для формування молекул або полімерів. Як і граматика мови визначає структуру речень, молекулярна граматика описує структуру молекул.

Як генеративний AI, такий як більші моделі мови (LLM), демонструє свою здатність розшифрувати мову молекул, нові шляхи для ефективного відкриття ліків з’являються. 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 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, необхідно зрозуміти традиційний процес відкриття ліків та його вбудовані обмеження та виклики.

Виклики традиційного відкриття ліків

Традиційний процес відкриття ліків – це багатостадійний процес, часто тривалий і ресурсоємний. Він починається з ідентифікації цілей, де вчені визначають біологічні цілі, пов’язані з хворобою, такі як білки або гени. Цей крок веде до підтвердження цілі, яке підтверджує, що маніпулювання цією ціллю матиме терапевтичний ефект. Далі дослідники займаються ідентифікацією провідних сполук для пошуку потенційних лікарських кандидатів, які можуть взаємодіяти з цією ціллю. Як тільки вони ідентифіковані, ці провідні сполуки проходять оптимізацію, поліпшуючи їх хімічні властивості для підвищення ефективності та мінімізації побічних ефектів. Дослідження на доклінічному етапі оцінюють безпеку та ефективність цих сполук в умовах in vitro (у пробірках) та in vivo (у моделях тварин). Перспективні кандидати оцінюються на трьох клінічних етапах для оцінки безпеки та ефективності у людей. Нарешті, успішні сполуки повинні отримати нормативне затвердження перед тим, як будуть виведені на ринок та призначені пацієнтам.

Незважаючи на свою ретельність, традиційний процес відкриття ліків має кілька обмежень та викликів. Він є відомим тим, що тривалий і коштовний, часто займаючи понад десятиліття та коштуючи мільярди доларів, з високими рівнями невдач, особливо на етапі клінічних досліджень. Складність біологічних систем ще більше ускладнює процес, роблячи його важким для прогнозування того, як ліки поведуться в 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 лікарських кандидатів не проходять етап пізньої розробки, що призводить до марнування ресурсів та часу. Крім того, кожен етап 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 етапи процесу відкриття ліків. Він прискорює ідентифікацію цілей та їх підтвердження шляхом швидкої аналітики великих обсягів біологічних даних для більш точної ідентифікації та підтвердження потенційних лікарських цілей. На етапі відкриття провідних сполук алгоритми AI можуть передбачати та генерувати нові хімічні структури, які можуть взаємодіяти ефективно з цією ціллю. Спроможність генеративного AI досліджувати велику кількість провідних сполук робить процес хімічного дослідження дуже ефективним. Генеративний AI також підвищує рівень оптимізації провідних сполук шляхом симуляції та прогнозування ефектів хімічних модифікацій на провідні сполуки. Наприклад, NVIDIA (NVDA ) співпрацює з Recursion Pharmaceuticals (RXRX ) для дослідження понад 2,8 квадрильйона комбінацій малих молекул та цілей за тиждень. Цей процес міг зайняти приблизно 100 000 років для досягнення тих самих результатів за допомогою традиційних методів. Автоматизуючи ці процеси, генеративний AI суттєво зменшує час та кошти, необхідні для виведення нового ліку на ринок.

Крім того, генеративний AI забезпечує точніші результати на етапі доклінічного дослідження шляхом ідентифікації потенційних проблем на ранній стадії процесу, що допомагає знизити рівень атриції. Технології AI також автоматизують багато трудомістких завдань, дозволяючи дослідникам зосередитися на стратегічних рішеннях вищого рівня та масштабуванні процесу відкриття ліків.

Кейс-стаді: Перше відкриття ліків компанії Insilico Medicine за допомогою генеративного AI

Біотехнологічна компанія Insilico Medicine використала генеративний AI для розробки першого ліку від ідіопатичної пульмональної фіброзу (ІПФ), рідкої хвороби легенів, характеризованої хронічним рубцюванням, яке призводить до незворотного зниження функції легенів. Застосовуючи генеративний AI до омічних та клінічних даних, пов’язаних із тканинним фіброзом, Insilico успішно передбачила тканинно-специфічні цілі фіброзу. Використовуючи цю технологію, компанія розробила малий молекулярний інгібітор, INS018_055, який показав потенціал проти фіброзу та запалення.

У червні 2023 року Insilico ввела перший дозу INS018_055 пацієнтам у фазі II клінічного дослідження. Відкриття цього ліку стало історичним моментом, оскільки вперше у світі був відкритий і 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 створювати нові молекули, важливо бути обізнаним про суттєвий виклик, з яким ці моделі можуть зіштовхнутися. 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 значимості 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 не витримувати синтезу або виявляти несподівану поведінку в біологічних системах.

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

Пробіл у підтвердженні ще більше ускладнює питання. Хоча генеративні моделі можуть запропонувати багато кандидатів, ретельне експериментальне тестування та підтвердження є суттєвими для підтвердження їх корисності. Цей крок необхідний для мостування теоретичних можливостей та практичних застосувань.

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

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

Висновок

Генеративний AI змінює фармацевтичну промисловість, прискорюючи відкриття ліків та зменшуючи витрати. Хоча залишаються виклики, такі як галюцинація, поєднання AI з традиційними методами та людською експертизою допомагає створювати 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 все більш перспективним, оскільки генеративний AI стимулює інновації.