ИИ для обнаружения лекарств: как это меняет правила игры
28 января 2023 г.Поиск лекарств с помощью ИИ стремительно растет.
Преувеличенные или нет, но инвестиции в разработку лекарств с помощью ИИ подскочили с 450 млн долларов в 2014 году до колоссальные 58 миллиардов долларов в 2021 году. Все фармацевтические гиганты, включая Bayer, AstraZeneca, Takeda, Sanofi, Merck и Pfizer, увеличили расходы в надежде создавать ИИ-решения нового поколения, которые обеспечат экономичность, скорость и точность процесса.
Открытие традиционных лекарств долгое время было заведомо трудным делом. Это занимает не менее 10 лет и стоит 1,3 миллиарда долларов для вывода на рынок нового препарата. И это относится только к препаратам, прошедшим клинические испытания (лишь одному из десяти).
Отсюда интерес к поиску новых способов открытия и разработки лекарств.
ИИ уже помог найти многообещающие терапевтические кандидаты, и на это ушли не годы, а месяцы или даже дни.
В этой статье мы рассмотрим, как открытие лекарств с помощью ИИ меняет отрасль. Мы рассмотрим истории успеха, преимущества и ограничения ИИ. Поехали.
Как изобретают наркотики
Процесс поиска лекарства обычно начинается с того, что ученые определяют мишень в организме, например конкретный белок или гормон, который вызывает заболевание. Затем они используют различные методы, чтобы найти возможное решение, лекарство-кандидат, в том числе:
- Скрининг существующих соединений: ученые могут просматривать библиотеки соединений (натуральные продукты или химические вещества), которые они создали ранее, чтобы проверить, обладают ли какие-либо из них желаемой активностью или взаимодействием с мишенью.
- Дизайн лекарств de novo. Они могут использовать компьютерное моделирование и симуляцию для разработки новых химических соединений, которые могут выполнять свою работу. Этот подход используется для создания низкомолекулярных лекарств, которые представляют собой химически синтезированные соединения размером менее 1500 дальтон.
- Биопрепараты. Исследователи также могут создавать биологические молекулы, такие как антитела, ферменты или белки, которые действуют как лекарства. Это включает выделение или синтез молекул из живых организмов, которые могут взаимодействовать с мишенью. По сравнению с небольшими молекулами такие молекулы обычно крупнее и сложнее.
- Перепрофилирование: ученые могут взглянуть на соединения, которые были разработаны для чего-то другого, и выяснить, обладают ли они терапевтическим потенциалом для рассматриваемого заболевания.
Как только потенциальный кандидат в лекарство (называемый ведущим соединением) найден, его тестируют на клетках или животных, прежде чем перейти к клиническим испытаниям, которые включают три этапа, начиная с небольших групп здоровых добровольцев, а затем переходя к более крупным группам пациентов, страдающих от конкретное условие.
Как применяется ИИ
Искусственный интеллект охватывает различные технологии и подходы, которые включают использование сложных вычислительных методов для имитации элементов. человеческого интеллекта, таких как зрительное восприятие, распознавание речи, принятие решений и понимание языка.
ИИ зародился еще в 1950-х годах как простая серия правил «если, то» и проник в здравоохранение два десятилетия спустя после разработки более сложных алгоритмов. С момента появления глубокого обучения в 2000-х приложения ИИ в здравоохранении расширен.
Несколько технологий искусственного интеллекта расширяют возможности разработки лекарств.
Машинное обучение
Машинное обучение (ML) направлено на обучение компьютерных алгоритмов обучению на основе данных и повышению их производительности без явно запрограммированы.
Решения машинного обучения охватывают широкий спектр направлений, каждое из которых имеет свои уникальные характеристики и методологии. Эти ветви включают обучение с учителем и без учителя, а также обучение с подкреплением, и в каждом из них есть различные алгоритмические методы, которые используются для достижения конкретных целей, такие как линейная регрессия, нейронные сети и машины опорных векторов. Машинное обучение имеет множество различных областей применения, одна из которых связана с открытием лекарств с помощью ИИ, где оно позволяет выполнять следующие действия:
* Виртуальный скрининг соединений для выявления потенциальных кандидатов в лекарства * Прогностическое моделирование эффективности и токсичности лекарств * Определение новых целей для разработки лекарств * Анализ крупномасштабных геномных и протеомных данных, полученных от живых организмов (последовательности ДНК, уровни экспрессии генов, структуры белков и т. д.) * Оптимизация дозирования препаратов и схем лечения * Прогнозное моделирование реакции пациента на лечение
Глубокое обучение
Глубокое обучение (ГО) — это подмножество машинного обучения, основанное на использовании искусственных нейронных сетей (ИНС). ИНС состоят из взаимосвязанных узлов или «нейронов», которые соединены путями, называемыми «синапсами». Как и в человеческом мозгу, эти нейроны работают вместе, чтобы обрабатывать информацию и делать прогнозы или решения. Чем больше слоев взаимосвязанных нейронов имеет нейронная сеть, тем она «глубже».
В отличие от контролируемых и полуконтролируемых алгоритмов обучения, которые могут выявлять закономерности только в структурированных данных, модели глубокого обучения способны обрабатывать огромные объемы неструктурированных данных. данных и делать более точные прогнозы с минимальным контролем со стороны человека.
При поиске лекарств с помощью ИИ DL используется для:
* Улучшен виртуальный скрининг библиотек соединений для выявления попаданий с более высокой вероятностью связывания с мишенью. * Профилирование на основе изображений для понимания связанных с заболеванием фенотипов, механизмов заболевания или токсичности лекарств. * Более точное предсказание того, как лекарство будет всасываться, распределяться, метаболизироваться и выводиться из организма (фармакокинетические свойства) * Прогнозирование взаимодействия лекарственного средства с мишенью и аффинности связывания * Предсказание структуры белков, на долю которых приходится большинство идентифицированных в настоящее время мишеней для лекарств. * Создание новых лекарственных соединений с желаемыми физическими, химическими свойствами и биологической активностью. * Автоматизация процессов клинических испытаний и разработка протоколов
Обработка естественного языка (NLP)
НЛП использует сочетание методов лингвистики, математики и компьютерных наук, включая модели глубокого обучения, для анализа, понимания и создания человеческого языка. В исследованиях по поиску лекарств с помощью ИИ часто используется НЛП для извлечения информации как из структурированных, так и из неструктурированных данных для достижения следующих целей:
- Анализ текста научной литературы для выявления связей между химическими/лекарственными соединениями, их мишенями и новыми путями, связанными с болезнью.
- Извлечение структурированной информации из неструктурированных электронных медицинских карт (ЭМК), например демографических данных пациентов, диагнозов и лекарств.
- Выявление нежелательных явлений, связанных с приемом лекарств, путем анализа текстовых данных из социальных сетей, новостных статей и других источников.
- Определение критериев приемлемости для клинических испытаний на основе протоколов и сопоставление пациентов с испытаниями
- Сводная информация о наркотиках
Почему об открытии лекарств с помощью ИИ сейчас говорят во всем городе
За последние пару лет компании фармацевтического сектора предприняли шаги по внедрению ИИ в свои исследовательские методы. Это включает в себя создание собственных команд искусственного интеллекта, наем медицинских специалистов с искусственным интеллектом и аналитики данных, поддержка стартапов, ориентированных на ИИ, и сотрудничество с технологическими фирмами или исследовательскими центрами.
Эта тенденция обусловлена сочетанием факторов.
Растущая мощность компьютеров и новые разработки в области искусственного интеллекта
Недавние технические достижения сместили традиционную направленность исследований ИИ по поиску лекарств.
Как и большинство компаний в этом секторе (около 150 в 2022 году, согласно отчету BiopharmaTrend AI ) по-прежнему заняты разработкой небольших молекул, которые легко представить в вычислительном отношении и сравнить в масштабе, также растет интерес к новым применениям ИИ в разработке лекарств.
Многие компании начинают использовать ИИ для разработки биологических препаратов (77 компаний) и обнаружения биомаркеров, которые указывают на наличие или прогрессирование заболевания (59). Другие сосредоточены на создании всеобъемлющих платформ для поиска лекарств с помощью ИИ, определении новых целей или создании онтологий — структурированных представлений взаимосвязей между различными объектами, такими как химические соединения, белки и болезни.
Расширение доступа к инструментам ИИ
Поскольку нехватка талантов в области ИИ не собирается уменьшаться, входные барьеры для разработки ИИ-лекарств фактически снизились. Поставщики технологий и фармацевтические гиганты выпускают все более сложные платформы искусственного интеллекта, в том числе готовые к использованию системы без кода и перетаскивания, которые позволяют экспертам, не использующим искусственный интеллект, интегрировать искусственный интеллект в свои исследования. Эти разработки играют важную роль в ускоренном внедрении ИИ в отрасли.
Истории успеха с использованием ИИ
Проекты по разработке лекарств с помощью ИИ, реализуемые в академических кругах и в отрасли, уже дали первые успешные результаты по всей цепочке создания ценности лекарств. Примеры включают:
* DeepMind создала систему искусственного интеллекта AlphaFold, которая может предсказать трехмерную структуру белка по его одномерной аминокислотной последовательности за секунды, а не за месяцы или годы, как обычно. Система использовалась для предсказания более 200 миллионов белковых структур, принадлежащих животным, растениям, бактериям, грибам и другим организмам. * Исследователи из Вашингтонского университета разработали модель глубокого обучения, которая использует игровые компьютеры для расчета белковых структур за 10 минут. * Deep Genomics использовала технологии искусственного интеллекта для скрининга более 2400 заболеваний и 100 000 мутаций, чтобы предсказать точный механизм возникновения болезни при мутации болезни Вильсона и создать лекарство DG12P1 за 18 месяцев. * Компания Aladdin выпустила запатентованную платформу для поиска лекарств с помощью искусственного интеллекта для коммерческого использования в виртуальном скрининге, подборе лидов, оптимизации потенциальных клиентов и на доклиническом этапе. Эта платформа помогла Aladdin определить ряд лекарственных соединений для потенциального лечения возрастных заболеваний. * IBM разработала систему Watson с возможностями когнитивных вычислений, которая используется фармацевтической промышленностью для подбора пациентов для участия в клинических испытаниях, соответствующих их состоянию. В клиническом испытании рака молочной железы платформа продемонстрировала увеличение числа участников на 80% и сокращение времени сопоставления испытаний. * Компании AbCellera потребовалось менее трех месяцев, чтобы разработать моноклональное антитело для нейтрализации вирусных вариантов COVID-19 и получить одобрение Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA). * BenevolentAI объединила свой граф знаний с инструментами ИИ, чтобы за несколько дней выявить барицитиниб как потенциальное средство для лечения COVID-19. * Компания BioXcel Therapeutics ускорила открытие дексмедетомидина в качестве седативного средства для пациентов с шизофренией и биполярными расстройствами. Компания получила одобрение FDA на свою запатентованную сублингвальную пленку дексмедетомидина (IgalmiTM) менее чем через четыре года после первых испытаний на людях. * Используя искусственный интеллект, Exscientia разработала три небольших молекулы для клинических испытаний в течение двух лет (для лечения психоза при болезни Альцгеймера, обсессивно-компульсивного расстройства и иммуноонкологии). * В начале 2023 года компания Insilico сообщила о положительных результатах первой фазы клинических испытаний первой разработанной ИИ новой молекулы для новой мишени для лечения идиопатического легочного фиброза (ИЛФ). * В 2021 г. 13 биологических препаратов, полученных с помощью ИИ< /a> достигли клинической стадии, и их терапевтические области включают COVID-19, онкологию и неврологию.
Преимущества и проблемы в разработке лекарств с помощью ИИ
Искусственный интеллект – это мощный инструмент, который обещает революционизировать фармацевтическую отрасль. Обладая способностью анализировать огромные объемы данных и делать прогнозы, искусственный интеллект может помочь исследователям преодолеть препятствия, которые долгое время препятствовали процессу открытия лекарств, позволяя:
* Сокращены сроки открытия и доклинических стадий * Более точные прогнозы эффективности и безопасности лекарств * Новое, непредвиденное понимание эффектов наркотиков и болезней * Новые направления исследований и новые стратегии НИОКР * Экономия средств благодаря более быстрому анализу и автоматизации.
По данным Insider Intelligence, ИИ может сэкономить фармацевтической промышленности до 70% затрат на разработку лекарств. Потенциал ИИ в поиске лекарств действительно впечатляет, но есть несколько препятствий, которые необходимо устранить, чтобы использовать его в полной мере.
Данные
Когда дело доходит до ИИ, все сводится к вводу данных. Хранилища данных и устаревшие системы, которые не позволяют их консолидировать, являются большими препятствиями для исследований ИИ в любой области. В фармацевтической промышленности проблема может быть еще более выраженной.
Фармацевтические компании традиционно плохо обменивались данными , будь то результаты клинических исследований или обезличенная информация о пациентах, в то время как массивы данных, которые у них есть, могут дать ответы на вопросы, которые первоначальный исследователь никогда не рассматривал.
Когда дело доходит до обмена данными, они часто бывают неполными, непоследовательными или предвзятыми, как в случае с наборами данных< /a> используется для прогнозирования аффинности связывания белок-лиганд, что имеет решающее значение для открытия лекарств. В некоторых случаях данные могут даже не отражать все население, и модель ИИ может не соответствовать реальным сценариям.
Сложность
Самая сложность биологических систем затрудняет анализ с помощью ИИ и прогнозирование временных и пространственных изменений в их поведении.
В биологических системах существует множество сложных и динамических взаимодействий, в которых каждый элемент, например белки, гены и клетки, может выполнять несколько функций и подвергаться воздействию множества факторов, включая генетические вариации, условия окружающей среды и болезненные состояния.
Взаимодействия между различными элементами также могут быть нелинейными, а это означает, что небольшие изменения в одном элементе могут привести к значительным изменениям во всей системе. Например, один ген, контролирующий клеточное деление, может оказывать большое влияние на рост опухоли, а взаимодействие между несколькими белками может привести к развитию высокоспецифичных и сложных структур, таких как цитоскелет клетки.
Еще одна проблема – нехватка квалифицированного персонала для работы с инструментами для обнаружения лекарств с помощью ИИ.
Интерпретируемость
Использование нейронных сетей для разработки лекарств с помощью ИИ раздвинуло границы возможного, но отсутствие их интерпретируемости создает серьезную проблему. Такие модели ИИ, называемые черными ящиками, могут давать самые точные прогнозы, но даже инженеры не могут объяснить их причины. Это особенно сложно в глубоком обучении, где сложность понимания выходных данных каждого слоя возрастает по мере увеличения количества слоев.
Это отсутствие прозрачности может привести к ошибочным решениям и снижению доверия к ИИ среди исследователей, медицинских работников и регулирующих органов. Для решения этой проблемы растет потребность в разработке объяснимого и надежного ИИ.
Подведение итогов
Постоянно появляются новые лекарства, которые меняют правила игры для пациентов.
Всего через 15 лет после того, как в 1980-х годах ВИЧ был идентифицирован как причина СПИДа, фармацевтическая промышленность разработала комплексную лекарственную терапию, которая позволяет людям, пораженным вирусом, жить нормальной продолжительностью жизни. Gleevec от Novartis продлевает жизнь больных лейкемией. Incivek от Vertex Pharmaceuticals удвоил показатели излечения от гепатита С. Keytruda от Merck снижает на 35 % риск рецидива рака после операции по удалению меланомы.
Но не все новые лекарства одинаковы.
Недавний анализ более 200 новых лекарств, проведенный в Германии, показал, что только 25% имеют значительные преимущества по сравнению с существующими. лечения. Остальные препараты либо дали минимальную пользу, либо не дали никакой пользы, либо их влияние было неопределенным.
Учитывая дорогостоящий и трудоемкий характер разработки лекарств, очевидно, что фармацевтическая промышленность нуждается в серьезных изменениях. И именно здесь открытие лекарств с помощью ИИ может сыграть свою роль. Есть все шансы, что искусственный интеллект может внести трансформационный вклад, выходящий за рамки ускорения времени обращения в клинику.
<цитата>Думаете о собственном проекте по поиску лекарств с помощью ИИ? Напишите нам. Благодаря многолетнему опыту создания ИИ-решений для здравоохранения мы являемся вашим надежным партнером.
Оригинал