Как ИИ меняет процесс открытия лекарств
Фармацевтические компании и стартапы используют искусственный интеллект, чтобы ускорить и удешевить процесс разработки новых лекарств.
Имран Хак, старший вице-президент по ИИ и цифровым наукам в стартапе Recursion, говорит, что они хотят сделать процесс поиска лекарств более систематизированным. Компания считает, что искусственный интеллект поможет увеличить количество параллельных программ по разработке лекарств, опираясь на огромный объем данных. Хотя многие из разрабатываемых препаратов могут не сработать, ИИ поможет быстрее выявлять такие неудачи.
Панна Шарма, генеральный директор компании Lantern Pharma, также считает, что ИИ сильно повлияет на весь процесс разработки лекарств. Хотя пока не было одобрено ни одного лекарства, разработанного с помощью ИИ, многие компании уже достигают стадии клинических испытаний, и этот процесс может ускориться.
Панна Шарма, генеральный директор компании Lantern Pharma, также считает, что ИИ сильно повлияет на весь процесс разработки лекарств. Хотя пока не было одобрено ни одного лекарства, разработанного с помощью ИИ, многие компании уже достигают стадии клинических испытаний, и этот процесс может ускориться.
Установление связей
Фармацевтическая отрасль давно использует компьютеры и математические модели для разработки новых лекарств, но с появлением генеративного искусственного интеллекта, который может понимать и создавать текст, произошли значительные изменения.
Энн Филан из компании Benevolent AI говорит, что такие ИИ-модели могут обрабатывать информацию и предлагать решения, которые раньше были неизвестны. Компания использует ИИ, чтобы находить новые цели и делать неожиданные выводы. Недавно они сообщили о положительных результатах испытаний нового препарата BEN-8744 для лечения язвенного колита.
Платформа Benevolent объединяет данные из клинических и химических баз, а также текстовую информацию из научной литературы. Филан отмечает, что это создает огромное количество взаимосвязанных фактов, с которыми слишком сложно справиться человеку. Разработанные технологии позволяют анализировать текстовую информацию и находить скрытые связи. С их помощью была выявлена новая цель для лечения язвенного колита, связанная с ролью мишени в воспалительных процессах в кишечнике.
Энн Филан из компании Benevolent AI говорит, что такие ИИ-модели могут обрабатывать информацию и предлагать решения, которые раньше были неизвестны. Компания использует ИИ, чтобы находить новые цели и делать неожиданные выводы. Недавно они сообщили о положительных результатах испытаний нового препарата BEN-8744 для лечения язвенного колита.
Платформа Benevolent объединяет данные из клинических и химических баз, а также текстовую информацию из научной литературы. Филан отмечает, что это создает огромное количество взаимосвязанных фактов, с которыми слишком сложно справиться человеку. Разработанные технологии позволяют анализировать текстовую информацию и находить скрытые связи. С их помощью была выявлена новая цель для лечения язвенного колита, связанная с ролью мишени в воспалительных процессах в кишечнике.
Высокоточная онкология
Одно из первых применений ИИ в исследованиях и разработках было связано с перепрофилированием существующих лекарств. Это считалось легкодоступной задачей. Например, у компании Recursion есть три перепрофилированных препарата для редких заболеваний, которые уже находятся на стадии клинических испытаний. Но теперь они сосредоточились на онкологических препаратах. В 2023 году Recursion заключила партнерство с компанией Tempus, чтобы получить доступ к обширной базе данных по онкологии. Это позволяет им обучать модели ИИ для поиска новых биомаркеров и целей в лечении рака.
Компания Lantern Pharma тоже акцентировала свое внимание на точечной терапии рака. Эта область привлекает, потому что уже накоплено много данных для обучения моделей ИИ. Их платформа RADR, предназначенная для развития онкологических лекарств, имеет более 60 миллиардов данных и ожидается, что число вырастет до 100 миллиардов. Эти данные помогают предсказывать, как пациенты могут реагировать на лекарственные препараты.
В данный момент у Lantern Pharma проходят клинические испытания трех лекарств. На это ушло около трех лет и меньше 3,5 миллионов долларов, что значительно быстрее обычных сроков. Например, их испытание LP-300 в сочетании с химиотерапией нацелено на пациентов с рецидивирующим раком легких. Еще два препарата проходят испытания для пациентов с различными типами рака.
Кроме того, благодаря возможностям ИИ, компания нашла новое применение для препарата LP-184 — терапию детского рака мозга, что будет испытываться в клинических испытаниях в 2024 году. Это показывает, как ИИ может помочь находить неожиданные связи и приносить новые идеи.
Компания Lantern Pharma тоже акцентировала свое внимание на точечной терапии рака. Эта область привлекает, потому что уже накоплено много данных для обучения моделей ИИ. Их платформа RADR, предназначенная для развития онкологических лекарств, имеет более 60 миллиардов данных и ожидается, что число вырастет до 100 миллиардов. Эти данные помогают предсказывать, как пациенты могут реагировать на лекарственные препараты.
В данный момент у Lantern Pharma проходят клинические испытания трех лекарств. На это ушло около трех лет и меньше 3,5 миллионов долларов, что значительно быстрее обычных сроков. Например, их испытание LP-300 в сочетании с химиотерапией нацелено на пациентов с рецидивирующим раком легких. Еще два препарата проходят испытания для пациентов с различными типами рака.
Кроме того, благодаря возможностям ИИ, компания нашла новое применение для препарата LP-184 — терапию детского рака мозга, что будет испытываться в клинических испытаниях в 2024 году. Это показывает, как ИИ может помочь находить неожиданные связи и приносить новые идеи.
Создание новых молекул
Benevolent использует возможности ИИ для ускорения разработки новых молекул, моделируя и предсказывая активные участки белков. Этот метод помог в разработке их ингибитора PDE10, BEN-8744, потому что предыдущие варианты проникали в мозг и могли вызывать нежелательные побочные эффекты. Benevolent удалось быстро создать альтернативное, более безопасное вещество. Процесс от начала работы над проектом до получения клинического кандидата занял всего два года. Следующий шаг — испытания на пациентах.
Recursion использует другой подход в поиске лекарств с помощью технологии ИИ, чтобы создать так называемую "карту биологии". Их система может делать микроскопические снимки клеток, изучая изменения при изменении генов или добавлении веществ. Они сравнивают изображения клеток в больном и здоровом состоянии, чтобы понять, как их препараты воздействуют на клетки.
Компания обрабатывает эти снимки с помощью своих ИИ-моделей для выявления биологических различий. В настоящее время они могут обнаруживать около 1,000 характеристик на каждом изображении. Это основа их амбиций по разработке сотен препаратов одновременно.
Также Recursion приобрела модель MatchMaker для предсказания взаимодействия лиганд-белок. Сейчас они проводят клинические испытания нового препарата REC-3964. Каждую неделю компания выполняет более 2 миллионов экспериментов, создавая огромные объемы данных в своих лабораториях. Эти данные хранятся на суперкомпьютере компании, а также на мощностях DGX Cloud от NVIDIA, что позволяет рассчитывать цели для миллиардов соединений.
Recursion использует другой подход в поиске лекарств с помощью технологии ИИ, чтобы создать так называемую "карту биологии". Их система может делать микроскопические снимки клеток, изучая изменения при изменении генов или добавлении веществ. Они сравнивают изображения клеток в больном и здоровом состоянии, чтобы понять, как их препараты воздействуют на клетки.
Компания обрабатывает эти снимки с помощью своих ИИ-моделей для выявления биологических различий. В настоящее время они могут обнаруживать около 1,000 характеристик на каждом изображении. Это основа их амбиций по разработке сотен препаратов одновременно.
Также Recursion приобрела модель MatchMaker для предсказания взаимодействия лиганд-белок. Сейчас они проводят клинические испытания нового препарата REC-3964. Каждую неделю компания выполняет более 2 миллионов экспериментов, создавая огромные объемы данных в своих лабораториях. Эти данные хранятся на суперкомпьютере компании, а также на мощностях DGX Cloud от NVIDIA, что позволяет рассчитывать цели для миллиардов соединений.
Большая фармацевтика
Стартапы такие как Benevolent, Lantern и Recursion демонстрируют потенциал ИИ в разработке лекарств, и крупные фармацевтические компании начинают это замечать. Почти все фармацевтические гиганты за последние пять лет попробовали использовать ИИ: Recursion сотрудничает с Genentech и Bayer, а Benevolent работает с AstraZeneca и Merck на разных этапах разработки. Некоторые сделки достигают огромных размеров, как, например, недавние соглашения Eli Lilly и Novartis с Isomorphic Labs, которые могут стоить до 3 миллиардов долларов.
Многие компании развивают собственные ИИ-инструменты. Так, Фридрих Риппманн, бывший директор по вычислительной химии в компании Merck, отметил, что около четверти всех проектов используют ИИ. Однако не все компании полностью внедрили ИИ, предпочитая использовать его только при возникновении проблем в традиционных методах разработки.
Некоторые компании осторожничают с раскрытием, насколько активно они используют ИИ, опасаясь за патентоспособность соединений, созданных компьютером. В 2023 году Верховный суд Великобритании постановил, что ИИ не может быть назван изобретателем в патентных заявках, но этот вопрос пока не обсуждался в контексте разработки лекарств.
Компания GSK начала использовать ИИ в процессе разработки еще в 2019 году, и создала собственную языковую модель Jules OS, которая может автоматически выполнять задачи и отвечать на вопросы сотрудников. GSK также разрабатывает платформы под названием Onyx, используя данные генетических исследований для обучения моделей машинного обучения.
Использование ИИ в больших компаниях не всегда проходит гладко. Области исследований часто изолированы друг от друга, и трудно создать единое решение для такой огромной компании, как AstraZeneca или Pfizer. Некоторые компании пока сомневаются, стоит ли внедрять ИИ.
Количество препаратов, разработанных с помощью ИИ, пока невелико, чтобы судить об успехе. Как отметил один из экспертов, только когда крупные компании увидят значимый прогресс с помощью ИИ, они начнут его активнее использовать.
Многие компании развивают собственные ИИ-инструменты. Так, Фридрих Риппманн, бывший директор по вычислительной химии в компании Merck, отметил, что около четверти всех проектов используют ИИ. Однако не все компании полностью внедрили ИИ, предпочитая использовать его только при возникновении проблем в традиционных методах разработки.
Некоторые компании осторожничают с раскрытием, насколько активно они используют ИИ, опасаясь за патентоспособность соединений, созданных компьютером. В 2023 году Верховный суд Великобритании постановил, что ИИ не может быть назван изобретателем в патентных заявках, но этот вопрос пока не обсуждался в контексте разработки лекарств.
Компания GSK начала использовать ИИ в процессе разработки еще в 2019 году, и создала собственную языковую модель Jules OS, которая может автоматически выполнять задачи и отвечать на вопросы сотрудников. GSK также разрабатывает платформы под названием Onyx, используя данные генетических исследований для обучения моделей машинного обучения.
Использование ИИ в больших компаниях не всегда проходит гладко. Области исследований часто изолированы друг от друга, и трудно создать единое решение для такой огромной компании, как AstraZeneca или Pfizer. Некоторые компании пока сомневаются, стоит ли внедрять ИИ.
Количество препаратов, разработанных с помощью ИИ, пока невелико, чтобы судить об успехе. Как отметил один из экспертов, только когда крупные компании увидят значимый прогресс с помощью ИИ, они начнут его активнее использовать.
План клинического исследования
Крупные фармацевтические компании проявляют большой интерес к использованию ИИ для разделения пациентов на группы и проектирования более успешных клинических испытаний. Например, GSK использует ИИ для работы над препаратом bepirovirsen, который предназначен для лечения хронического гепатита B. Они используют машинное обучение, чтобы определить группы пациентов, наиболее подверженных положительной реакции на лечение, учитывая такие факторы, как вирусная нагрузка и уровни маркеров вируса.
Благодаря ИИ можно сократить время проведения испытаний с семи-девяти лет до четырех-пяти. Однако обработка и подготовка данных для таких решений остается сложной задачей. Большая часть данных еще не готова для использования машинами и часто хранится в формате, не подходящем для анализа, например, в виде PDF-файлов.
Существуют также проблемы со способностью делиться данными между компаниями. Частично эта проблема была решена в проекте MELLODDY, чтобы позволить нескольким компаниям использовать общий пул данных, сохраняя конфиденциальность своей интеллектуальной собственности.
Еще одна сложность - нехватка специалистов по ИИ в фармацевтике. Найти экспертов, которые могли бы комбинировать ИИ и знание процесса разработки лекарств, достаточно сложно.
Несмотря на проблемы, есть уверенность, что ИИ принесет значительные изменения. Например, быстрое выявление подходящих молекул и фильтрация целей могут значительно улучшить успех на стадии клинических испытаний. Шарма считает, что с помощью ИИ время и затраты на начальные исследования могут быть сокращены на 70-80%.
Тем не менее, важно учитывать этические аспекты использования ИИ. GSK уделяет особое внимание этическим вопросам, чтобы ИИ-системы были надежными и не страдали от предвзятости. Они стремятся создавать наборы данных, которые отражают реальную ситуацию.
В будущем ожидается, что более автономные ИИ-системы смогут самостоятельно направлять эксперименты и выбор молекул, продолжая ускорение прогресса на всех уровнях. Однако, как отмечают некоторые эксперты, ИИ не решит все сложности разработки лекарств.
Благодаря ИИ можно сократить время проведения испытаний с семи-девяти лет до четырех-пяти. Однако обработка и подготовка данных для таких решений остается сложной задачей. Большая часть данных еще не готова для использования машинами и часто хранится в формате, не подходящем для анализа, например, в виде PDF-файлов.
Существуют также проблемы со способностью делиться данными между компаниями. Частично эта проблема была решена в проекте MELLODDY, чтобы позволить нескольким компаниям использовать общий пул данных, сохраняя конфиденциальность своей интеллектуальной собственности.
Еще одна сложность - нехватка специалистов по ИИ в фармацевтике. Найти экспертов, которые могли бы комбинировать ИИ и знание процесса разработки лекарств, достаточно сложно.
Несмотря на проблемы, есть уверенность, что ИИ принесет значительные изменения. Например, быстрое выявление подходящих молекул и фильтрация целей могут значительно улучшить успех на стадии клинических испытаний. Шарма считает, что с помощью ИИ время и затраты на начальные исследования могут быть сокращены на 70-80%.
Тем не менее, важно учитывать этические аспекты использования ИИ. GSK уделяет особое внимание этическим вопросам, чтобы ИИ-системы были надежными и не страдали от предвзятости. Они стремятся создавать наборы данных, которые отражают реальную ситуацию.
В будущем ожидается, что более автономные ИИ-системы смогут самостоятельно направлять эксперименты и выбор молекул, продолжая ускорение прогресса на всех уровнях. Однако, как отмечают некоторые эксперты, ИИ не решит все сложности разработки лекарств.
Получите оценку проекта
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Оцените свой проект! Заполните форму ниже
Похожие статьи
© ООО «АЛЛ СИИ», 2024