Ako generatívna AI sa vyvíja, posúva od dešifrovania ľudského jazyka k ovládaniu zložitých jazykov biológie a chémie. Myslite na DNA ako na a podrobný scenár, sekvencia s 3 miliardami písmen, ktorá riadi funkcie a rast nášho tela. Podobne aj bielkoviny, základné zložky života, majú svoj jazyk, vrátane 20-aminokyselinovej abecedy. V chémii majú molekuly aj a jedinečný dialekt, ako je vytváranie slov, viet alebo odsekov pomocou gramatických pravidiel. Molekulárna gramatika určuje, ako sa atómy a subštruktúry spájajú, aby vytvorili molekuly alebo polyméry. Tak ako jazyková gramatika definuje štruktúru viet, molekulárna gramatika popisuje štruktúru molekúl.
Ako generatívna AI, ako napr veľké jazykové modely (LLM), demonštruje svoju schopnosť dekódovať jazyk molekúl, objavujú sa nové cesty na efektívne objavovanie liekov. Niekoľko farmaceutických spoločností čoraz viac využíva túto technológiu na podporu inovácií vo vývoji liekov. McKinsey Global Institute (MGI) odhaduje, že by mohla vytvoriť generatívna AI 60 až 110 miliárd dolárov ročne v ekonomickej hodnote pre farmaceutický priemysel. Tento potenciál je primárne spôsobený jeho schopnosťou zvýšiť produktivitu urýchlením identifikácie potenciálnych nových liečivých zlúčenín a urýchlením ich vývoja a schvaľovacích procesov. Tento článok skúma, ako generatívna AI mení farmaceutický priemysel tým, že pôsobí ako katalyzátor rýchleho pokroku v objavovaní liekov. Aby sme však ocenili vplyv generatívnej AI, je nevyhnutné pochopiť tradičný proces objavovania liekov a jeho prirodzené obmedzenia a výzvy.
Výzvy tradičného objavovania drog
The tradičný proces objavovania liekov je viacstupňové úsilie, často časovo náročné a náročné na zdroje. Začína sa identifikáciou cieľa, kde vedci presne určujú biologické ciele zapojené do choroby, ako sú proteíny alebo gény. Tento krok vedie k validácii cieľa, ktorá potvrdzuje, že manipulácia s cieľom bude mať terapeutické účinky. Ďalej sa výskumníci zapájajú do identifikácie hlavnej zlúčeniny, aby našli potenciálnych kandidátov na lieky, ktoré môžu interagovať s cieľom. Po identifikácii sa tieto zlúčeniny olova podrobia optimalizácii olova, zdokonaľujú sa ich chemické vlastnosti, aby sa zvýšila účinnosť a minimalizovali vedľajšie účinky. Predklinické testovanie potom hodnotí bezpečnosť a účinnosť týchto zlúčenín in vitro (v skúmavkách) a in vivo (na zvieracích modeloch). Sľubní kandidáti sa hodnotia v troch fázach klinického skúšania, aby sa posúdila bezpečnosť a účinnosť pre ľudí. Napokon, úspešné zlúčeniny musia pred uvedením na trh a predpísaním získať regulačné schválenie.
Napriek svojej dôkladnosti má tradičný proces objavovania liekov niekoľko obmedzení a výziev. Je to notoricky známe, že je časovo náročné a nákladné, často trvá viac ako desaťročie a stojí miliardy dolárov, s vysokou mierou zlyhania, najmä vo fázach klinických skúšok. Zložitosť biologických systémov tento proces ešte viac komplikuje, takže je ťažké predpovedať, ako sa bude liek správať u ľudí. Okrem toho môže intenzívny skríning preskúmať iba obmedzený zlomok možných chemických zlúčenín, pričom mnohé potenciálne lieky zostávajú neobjavené. Vysoká miera opotrebovania tiež brzdila proces, v ktorom mnohí kandidáti na lieky zlyhávajú v neskoršom štádiu vývoja, čo vedie k plytvaniu zdrojmi a časom. Okrem toho si každá fáza objavovania lieku vyžaduje významný ľudský zásah a odborné znalosti, čo môže spomaliť pokrok.
Ako generatívna AI mení objavovanie liekov
Generatívna AI rieši tieto výzvy automatizáciou rôznych štádiách procesu objavovania lieku. Urýchľuje identifikáciu a validáciu cieľov rýchlou analýzou obrovského množstva biologických údajov s cieľom presnejšie identifikovať a potvrdiť potenciálne ciele liečiv. Vo fáze objavovania vedúcej zlúčeniny môžu algoritmy AI predpovedať a vytvárať nové chemické štruktúry, ktoré budú pravdepodobne efektívne interagovať s cieľom. Schopnosť generatívnej AI preskúmať obrovské množstvo potenciálov robí proces chemického prieskumu vysoko efektívnym. Generatívna AI tiež zlepšuje optimalizáciu olova simuláciou a predpovedaním účinkov chemických modifikácií na zlúčeniny olova. Napríklad spoločnosť NVIDIA spolupracovala s Recursion Pharmaceuticals na preskúmaní 2,8 bilióna kombinácií malých molekúl a cieľov len za týždeň. Tento proces mohol trvať približne 100 000 rokov, kým sa dosiahli rovnaké výsledky pomocou tradičných metód. Automatizáciou týchto procesov generatívna AI výrazne znižuje čas a náklady potrebné na uvedenie nového lieku na trh.
Navyše, generatívne poznatky založené na AI spresňujú predklinické testovanie tým, že identifikujú potenciálne problémy skôr v procese, čo pomáha znižovať mieru opotrebovania. Technológie AI tiež automatizujú mnohé úlohy náročné na prácu, čo výskumníkom umožňuje zamerať sa na strategické rozhodnutia vyššej úrovne a škálovať proces objavovania liekov.
Prípadová štúdia: Prvý generatívny objav lieku AI od Insilico Medicine
Biotechnologická spoločnosť, Insilico Medicinepoužila generatívnu AI na vývoj prvého lieku na idiopatická pľúcna fibróza (IPF), zriedkavé ochorenie pľúc charakterizované chronickým zjazvením, ktoré vedie k nezvratnému poklesu funkcie pľúc. Aplikovaním generatívnej AI na omické a klinické súbory údajov týkajúce sa tkanivovej fibrózy spoločnosť Insilico úspešne predpovedala ciele fibrózy špecifické pre tkanivo. Pomocou tejto technológie spoločnosť navrhla inhibítor s malou molekulou INS018_055, ktorý preukázal potenciál proti fibróze a zápalu.
V júni 2023 Insilico podalo prvú dávku INS018_055 pacientom v Fáza II klinického skúšania. Objav tohto lieku znamenal historický moment, keď bol objavený a navrhnutý pomocou generatívnej AI prvý antifibrotický inhibítor s malou molekulou na svete.
Úspech INS018_055 potvrdzuje účinnosť generatívnej AI pri urýchľovaní objavovania liekov a zdôrazňuje jej potenciál pri riešení zložitých chorôb.
Halucinácie v generatívnej AI na objavovanie drog
Keďže generatívna AI napreduje v objavovaní liekov tým, že umožňuje vytváranie nových molekúl, je nevyhnutné uvedomiť si významnú výzvu, ktorej môžu tieto modely čeliť. Generatívne modely sú náchylné na fenomén známy ako halucinácia. V kontexte objavovania drog sa halucinácia týka vytvárania molekúl, ktoré sa javia ako platné na povrchu, ale nemajú skutočný biologický význam alebo praktické využitie. Tento jav prináša viacero dilem.
Jedným z hlavných problémov je chemická nestabilita. Generatívne modely môžu produkovať molekuly s teoreticky priaznivými vlastnosťami, ale tieto zlúčeniny môžu byť chemicky nestabilné alebo náchylné na degradáciu. Takéto „halucinované“ molekuly môžu zlyhať počas syntézy alebo vykazovať neočakávané správanie v biologických systémoch.
Halucinované molekuly navyše často nemajú biologický význam. Môžu sa zhodovať s chemickými cieľmi, ale nedokážu zmysluplne interagovať s biologickými cieľmi, čo ich robí neúčinnými ako lieky. Aj keď sa molekula javí ako sľubná, jej syntéza by mohla byť neúmerne zložitá alebo nákladná, pretože halucinácie nezohľadňujú praktické syntetické cesty.
Medzera vo validácii problém ďalej komplikuje. Zatiaľ čo generatívne modely môžu navrhnúť množstvo kandidátov, prísne experimentálne testovanie a validácia sú rozhodujúce na potvrdenie ich užitočnosti. Tento krok je nevyhnutný na preklenutie teoretického potenciálu a medzery v praktickej aplikácii.
Na zmiernenie halucinácií možno použiť rôzne stratégie. Hybridné prístupy kombinujúce generatívnu AI s modelovaním založeným na fyzike alebo metódami založenými na znalostiach môžu pomôcť filtrovať halucinované molekuly. Adversarial training, kde sa modely učia rozlišovať medzi prírodnými a halucinovanými zlúčeninami, môže tiež zlepšiť kvalitu generovaných molekúl. Zapojením chemikov a biológov do procesu iteratívneho návrhu možno tiež znížiť účinok halucinácií.
Vyriešením problému halucinácií môže generatívna AI podporiť svoj prísľub v urýchlení objavovania drog, čím sa proces stane efektívnejší a účinnejší pri vývoji nových, životaschopných liekov.
Spodný riadok
Generatívna AI mení farmaceutický priemysel tým, že urýchľuje objavovanie liekov a znižuje náklady. Zatiaľ čo výzvy ako halucinácie zostávajú, kombinácia AI s tradičnými metódami a ľudskými odbornými znalosťami pomáha vytvárať presnejšie a životaschopnejšie zlúčeniny. Insilico Medicine dokazuje, že generatívna AI má potenciál riešiť zložité ochorenia a efektívnejšie uvádzať na trh nové liečby. Budúcnosť objavovania liekov sa stáva sľubnejšou, s generatívnou AI, ktorá poháňa inovácie.
