Làm thế nào AI đang phá vỡ các nút thắt trong khám phá thuốc phân tử nhỏ

Các thử nghiệm lâm sàng để phát triển thuốc là chậm và tốn kém, và chỉ một phần nhỏ của các ứng viên thuốc cuối cùng được các cơ quan quản lý phê duyệt. Các nút thắt rộng lớn trong quá trình khám phá thuốc truyền thống quá quen thuộc với những người trong ngành dược phẩm: Giai đoạn lâm sàng alone mất khoảng một thập kỷ và chiếm gần ba phần tư chi phí nghiên cứu và phát triển, với chi phí trung bình để phát triển một loại thuốc tăng lên tới 2,2 tỷ đô la vào năm 2024.

Có lẽ quan trọng nhất, ngành dược phẩm đã vật lộn với việc dự đoán chính xác kết quả phát triển thành công trong giai đoạn đầu: Khoảng 80-90 phần trăm ứng viên thuốc không được phê duyệt mặc dù nhiều năm và tài trợ rộng lớn cho sự phát triển của họ. An toàn thuốc là một lý do lớn cho điều đó, với độc tính không mong muốn chiếm khoảng 30 phần trăm thất bại trong phát triển thuốc.

Các phân tử được phát hiện bởi AI thành công hơn trong các thử nghiệm giai đoạn I

Tuy nhiên, dữ liệu mới nổi cho thấy rằng trí tuệ nhân tạo và các phương pháp tính toán không chỉ giải quyết những thách thức này – chúng đang thay đổi cơ bản khả năng của chúng tôi để dự đoán kết quả thành công. Các giai đoạn đầu của phát triển thuốc mới đặc biệt quan trọng – và đây là nơi AI và hóa học tính toán có thể có tác động lớn nhất.

Những phương pháp AI và tính toán này có thể giúp tìm ra các liệu pháp mới hiệu quả để nhắm vào các protein đúng để điều trị bệnh trong giai đoạn khám phá và tối ưu hóa sớm, chứ không phải muộn hơn trong quá trình, điều mà đã xảy ra trong một thời gian dài. Dự đoán độc tính tính toán đặc biệt hữu ích trong giai đoạn đầu của khám phá thuốc, vì nó có thể loại trừ các phân tử có khả năng thất bại trong các thử nghiệm lâm sàng. Tìm ra các loại thuốc tốt nhất sớm hơn – và loại bỏ những loại thuốc không hiệu quả – có thể tiết kiệm một thập kỷ nghiên cứu tốn kém và tăng cơ hội rằng loại thuốc sẽ vượt qua giai đoạn thử nghiệm lâm sàng.

Nghiên cứu gần đây về các công ty sinh học bản địa AI cho thấy các xu hướng khuyến khích cho thấy rằng các phương pháp tính toán đang bắt đầu vượt qua một số thách thức cơ bản nhất trong khám phá thuốc. Ví dụ, một phân tích được công bố trên Tạp chí Khám phá Thuốc cho thấy rằng các phân tử được phát hiện bởi AI đáng kể hơn so với trung bình ngành trong các thử nghiệm giai đoạn I – đạt tỷ lệ thành công 80-90 phần trăm trong giai đoạn I, so với trung bình ngành 40-65 phần trăm.

Sức mạnh của tối ưu hóa đa tham số

Ở trung tâm của sự chuyển đổi này là một kỹ năng mà hóa học tính toán được tăng cường bởi AI tốt hơn và nhanh hơn so với con người: Tối ưu hóa đa tham số, quá trình cân bằng nhiều thuộc tính của một loại thuốc tiềm năng tại cùng một thời điểm – chẳng hạn như hiệu lực, an toàn, đặc异, khả năng thấm qua hàng rào máu não và nhiều thuộc tính khác. Điều này làm cho nó chính xác, nhanh chóng và hiệu quả hơn để thiết kế các ứng viên hứa hẹn nhất, ngay cả khi những thuộc tính đó mâu thuẫn với nhau.

Các phương pháp truyền thống để khám phá thuốc chỉ có thể tối ưu hóa một tham số tại một thời điểm, khiến cho việc cải thiện một khía cạnh mà không ảnh hưởng tiêu cực đến các khía cạnh khác trở nên khó khăn. Ví dụ, một loại thuốc được thiết kế để điều trị các khối u não cần phải có khả năng thấm qua hàng rào máu não để nó có thể đến được não. Nhưng một loại thuốc vượt qua hàng rào hiệu quả có thể không đủ chọn lọc về mục tiêu của nó, điều này có thể làm giảm hiệu quả của loại thuốc hoặc gây ra các tác dụng phụ không mong muốn.

Trong khi đó, các công cụ tính toán được tăng cường bởi AI thay đổi cơ bản cách tiếp cận thiết kế thuốc. Thay vì tối ưu hóa tuần tự có thể dẫn đến thất bại ở giai đoạn sau, AI cho phép tối ưu hóa đồng thời trên tất cả các tham số quan trọng ngay từ giai đoạn khám phá. Với AI, các nhà nghiên cứu có thể cung cấp dữ liệu về nhiều ràng buộc và yêu cầu các thuật toán tìm ra một phân tử đã biết hoạt động tốt nhất với tất cả các ràng buộc đó – hoặc tạo ra một phân tử mới.

Bước tiếp theo: Tích hợp các phương pháp AI vào các đường ống phát triển

Với sự phức tạp tăng của những phương pháp này, một thách thức lớn là khả năng thực hiện chúng trên quy mô lớn. Do đó, bước tiếp theo để tận dụng AI trong khám phá thuốc là kết hợp các công cụ cho phép quá trình khám phá được mở rộng thông qua việc sử dụng các tác nhân AI – các hệ thống tính toán tự động có thể thực hiện các nhiệm vụ hoặc quy trình phức tạp mà không cần sự can thiệp của con người.

Ví dụ, các tác nhân có thể được sử dụng để thu thập và phân tích lượng thông tin cần thiết và ngày càng tăng, và loại bỏ các ứng viên thuốc ít liên quan.

Khi các tác nhân đã được đào tạo trên nhiều tham số, ràng buộc hóa học và các biến số quan trọng khác như mức độ độc tính và yêu cầu của FDA, chúng sẽ cung cấp cho các nhà nghiên cứu các ứng viên phân tử hàng đầu cho bất kỳ bệnh nào.

Thách thức của ngành dược phẩm bây giờ không phải là liệu có nên áp dụng thiết kế thuốc tính toán được tăng cường bởi AI, mà là làm thế nào nhanh chóng và hiệu quả nó có thể được tích hợp vào các đường ống phát triển hiện có. Mặc dù vẫn còn những thách thức, bằng chứng ban đầu cho thấy rằng AI và hóa học tính toán nắm giữ chìa khóa để tạo ra các loại thuốc tốt hơn, được phát triển hiệu quả hơn và đến được nhiều bệnh nhân hơn nhanh hơn bao giờ hết.