AI u farmaciji: ubrzavanje otkrivanja lijekova

Već smo navikli da se dio posla u zdravstvu može obaviti strojevima. Dokazali su se učinkovitom u pomaganju u dijagnostici ili odabiru linije liječenja, kao i u upravljanju protokom dokumenata. Ipak, jednom kad bacimo pogled izvan odnosa pacijenata i pružatelja zdravstvenih usluga, zadivljeni smo skalom problema i potencijalom AI da ih riješi.

2,5 milijardi dolara i 10 godina istraživanja - to su brojke koje opisuju postupak razvoja lijekova. Dodajte im da bi samo 1 od 10 lijekova prošao sve potrebne faze i na kraju stigao do pacijenta. Današnji brzi i bijesni svijet ne može si priuštiti ni takve troškove, a ni takve vremenske okvire.

Ovdje AI tehnike mogu dodati najviše vrijednosti, čineći otkrivanje lijekova bržim, jeftinijim i učinkovitijim. Neki su ljekarnici još uvijek skeptični, ali većina stručnjaka očekuje da ovi alati postaju sve važniji. Ako su zagovornici ovih tehnika u pravu, AI i strojno učenje dovest će do razdoblja bržeg, jeftinijeg i učinkovitijeg otkrivanja lijekova

Na primjer, McKinsey procjenjuje da bi bolje donošenje odluka, optimizirana inovacija, poboljšana učinkovitost istraživanja, klinička ispitivanja i stvaranje novih alata uz pomoć velikih podataka i strojno učenje moglo generirati do 100 milijardi dolara farmacije i medicine godišnje.

AI ima potencijal promijeniti cijeli postupak otkrivanja lijekova. Do sada, faze razvoja lijekova počevši od hipoteze i vodeći ka ispitivanju lijekova uopće nisu povezane. Naprotiv, iz perspektive strojnog učenja, faze postaju međusobno povezane jer možete koristiti podatke iz sljedeće faze da biste shvatili što se događa u prethodnoj ili dvije faze prije. Osim toga, istodobnim pristupom višestrukim podacima može se prepoznati količinski mjerljiv segment umjesto korištenja širokih deskriptora, poput simptoma bolesti. Uz strojno učenje, istraživači mogu provesti pokus na grupi pacijenata, dobiti različite rezultate i preslikati ih na genetiku molekularnog potpisa pacijenta, definirajući bolest na čvršćem tlu.

AI se već uspješno koristi u svim glavnim fazama razvoja lijekova:

· Faza 0. Pregled literature

· Prva faza: Određivanje ciljeva za intervenciju

· 2. faza: Otkrivanje kandidata za lijekove

· Faza 3: Pobrzanje kliničkih ispitivanja

· Faza 4: pronalaženje biomarkera za dijagnosticiranje bolesti

Glavne faze u razvoju lijekova

Stupanj 0 Pregled literature

Postoji ogromna količina istraživanja koja se objavljuje svaki dan i ako bismo uspjeli usporediti uvide iz svih studija, možemo formulirati bolju hipotezu. Međutim, čovjeku je nemoguće pročitati sve sažetke i znanstvene radove, pa se istraživači koji rade u znanstvenom području obično samo fokusiraju na jedno područje i ne čitaju druge časopise. Ali ovi časopisi sadrže puno relevantnih podataka koji mogu informirati odluke u područjima koja osoba istražuje. Rješenje je dopustiti strojevima da čitaju svu dostupnu literaturu, patente i dokumente i objediniti podatke u bazu podataka o činjenicama koje se mogu izvući iz ove literature. To je osnova hipoteze za pronalaženje terapijskih ciljeva za bolesti.

Prva faza: Određivanje ciljeva za intervenciju

Prvi korak u razvoju lijekova je razumijevanje biološkog podrijetla bolesti i njezinih mehanizama otpornosti. Za liječenje bolesti ključno je identificirati dobre mete, obično proteine. Široka primjena tehnika visoke propusnosti, kao što su probir RNA (shRNA) s kratkim ukosnicama i duboko sekvenciranje, povećala je količinu dostupnih podataka za otkrivanje održivih ciljnih putova. Međutim, i dalje je izazov integrirati velik broj i raznolikost izvora podataka - i tada pronaći odgovarajuće obrasce. Poznato je da algoritmi strojnog učenja dobro stoje u takvim zadacima i mogu obraditi sve dostupne podatke radi automatskog predviđanja dobrih ciljnih proteina.

2. faza: Otkrivanje kandidata za lijekove

Kad su identificirani ciljevi, istraživači počinju tražiti spoj koji na željeni način može komunicirati s identificiranom ciljnom molekulom. To uključuje provjeru tisuća i milijuna potencijalnih prirodnih, sintetskih i bioinženirskih spojeva kako bi se utjecalo na cilj i njihove nuspojave. Algoritmi strojnog učenja mogu predvidjeti prikladnost molekule na temelju strukturnih otisaka prstiju i molekularnih deskriptora, iscrpiti kroz milijune potencijalnih molekula i filtrirati ih do najboljih opcija s minimalnim nuspojavama.

Faza 3: Brža klinička ispitivanja

Ključ uspješnog suđenja je točan odabir prikladnih kandidata, jer odabir pogrešnih podrazumijeva produženje suđenja i gubljenje vremena i resursa. Strojno učenje može ubrzati dizajn kliničkih ispitivanja automatskim prepoznavanjem odgovarajućih kandidata i osiguravanjem ispravne raspodjele sudionika u skupinama. ML algoritmi mogu prepoznati obrasce koji bi predviđali dobre kandidate. Osim toga, oni mogu obavijestiti istraživače da kliničko ispitivanje ne daje konačne rezultate tako da bi istraživači mogli intervenirati ranije i potencijalno spasiti razvoj lijeka.

Stupanj 4: Identifikacija biomarkera za dijagnosticiranje bolesti

Konačno, bolesnike možete liječiti samo nakon što ste sigurni u svoju dijagnozu. Biomarkeri su molekule koje se nalaze u tjelesnim tekućinama, poput krvi, koje pružaju apsolutnu sigurnost ima li pacijent bolest ili ne. Oni čine dijagnosticiranje bolesti siguran i jeftin postupak. Mogu se koristiti i za utvrđivanje napredovanja bolesti - što liječnicima olakšava odabir ispravnog liječenja i nadzire li lijek djeluje.

Ipak, otkrivanje biomarkera uključuje provjeru desetaka tisuća potencijalnih kandidata za molekule. Još jednom, AI može automatizirati i ubrzati postupak. Algoritmi klasificiraju molekule u dobre i loše kandidate - a istraživač se može usredotočiti na analizu samo najboljih izgleda.

Biomarkeri mogu prepoznati:

· Dijagnostički biomarker: prisutnost bolesti što je ranije moguće

· Biomarker rizika: Rizik od pacijenta da razvije bolest

· Prognostički biomarker: vjerojatni napredak bolesti

· Prediktivni biomarker: Hoće li pacijent reagirati na lijek

Vrste biomarkera

Iako je široka primjena AI još uvijek u pješačkoj pješačkoj praksi, postoji nekoliko primjera njegove upotrebe u farmaceutskim tvrtkama. Primjerice, farmaceutski div Merck & Co radi na projektu koji koristi tehnologiju dubokog učenja za otkrivanje novih malih molekula. Pfizer je započeo suradnju s IBM Watsonom na istraživanju otkrića imuno-onkoloških lijekova. Znanstvenici iz biotehnološke tvrtke sa sjedištem u Massachusettsu, Berg, razvili su model za identificiranje ranije nepoznatih mehanizama raka pomoću testova na više od 1000 uzoraka raka i zdravih ljudskih stanica.

Ova promjena pokazuje da se industrija ne samo probudila, već aktivno prihvaća i prednosti strojnog učenja za prepoznavanje i probir lijekova, preciznije predviđanje kandidata za lijekove i, u konačnici, smanjenje troškova i napora za istraživanje i razvoj.

Kako će AI promijeniti budućnost ljudskih stručnjaka?

Kako se objavljuje više studija i raspravlja o budućnosti AI u medicini, pojavljuju se različite strane teze. Opći konsenzus je da, dok rutinske zadatke i prikupljanje / unos podataka trebaju obavljati strojevi, uvijek će postojati potreba za ljudskim elementom uloge kustosa, prosudbe, kreativnosti i empatije ili drugih ljudskih čimbenika koje suvremena tehnologija ne može pružiti ,

Kao kustosi, ljudi će postaviti problem i pustiti algoritme ili robote da to riješe. Oni će prilagoditi i ciljati specifične spojeve, simptome, bolesti ili druge, a ne slučajne ili minutne probleme samo radi toga. Osim toga, ljudski će stručnjaci pružiti odobrenje kroz različite faze ispitivanja ili istražiti daljnje mogućnosti temeljene na rezultatima temeljenim na kontekstu koji roboti možda neće razumjeti.

Zaključno, budućnost je u suradnji ljudi i strojeva, a ljudski klinički stručnjaci će se morati prilagoditi, učiti i rasti uz tehnološki napredak. Iako će budući stručnjaci morati biti i medicinski i računalni stručnjaci, za medicinu je to evolucija, a ne izumiranje.