AI a gyógyszertárban: A gyógyszer felfedezésének felgyorsítása

Már megszokták, hogy az egészségügy területén a munka egy részét gépekkel lehet elvégezni. Bebizonyították, hogy hatékonyan segítenek a diagnosztikában vagy a kezelési sor kiválasztásában, valamint a dokumentumáramlás kezelésében. Ugyanakkor, amikor egy pillantást vetettünk a betegek és az egészségügyi szolgáltatók kapcsolatain túl, meghökkentünk a problémák mértékéről és az AI lehetőségeiről, hogy ezeket megoldhassák.

2,5 milliárd dollár és 10 éves kutatás - ezek a számok írják le a gyógyszerfejlesztési folyamatot. Adja hozzá, hogy csak tízből gyógyszer halad át minden szükséges szakaszban, és végül eléri a beteget. A mai gyors és dühös világ nem engedheti meg magának ilyen kiadásokat és ilyen időkeretet.

Itt az AI technikák adhatják a legnagyobb értéket, így a gyógyszerek felfedezése gyorsabb, olcsóbb és hatékonyabb. Egyes gyógyszerészek továbbra is szkeptikusak, de a legtöbb szakértő elvárja, hogy ezek az eszközök egyre fontosabbá váljanak. Ha ezeknek a technikáknak a támogatói helyesek, az AI és a gépi tanulás a gyorsabb, olcsóbb és hatékonyabb kábítószer-felfedezés korszakába lép.

Például McKinsey becslései szerint a jobb döntéshozatal, az optimalizált innováció, a kutatás, klinikai vizsgálatok hatékonyságának javítása és új eszközök létrehozása nagy adatok és gépi tanulás segítségével évente akár 100 milliárd dollárt eredményezhet a gyógyszerészetben és az orvostudományban.

Az AI megváltoztathatja a gyógyszer-felfedezés teljes folyamatát. Eddig a gyógyszerfejlesztésnek a hipotézissel kezdődő szakaszai és a gyógyszerek tesztelése között egyáltalán nem kapcsolódnak egymáshoz. Éppen ellenkezőleg, gépi tanulás szempontjából a szakaszok összekapcsolódnak, mivel a következő szakasz adatait felhasználhatja annak megértésére, hogy mi történik az előző szakaszban vagy az előző két szakaszban. Ezen túlmenően, a több adat egyidejű hozzáférése egy mennyiségileg meghatározható szegmenst azonosíthat, ahelyett, hogy széles leírókat alkalmazna, például a betegség tüneteit. A gépi tanulással a kutatók kísérletet végezhetnek egy betegcsoporton, különböző eredményeket kaphatnak, és a betegek molekuláris aláírásaik genetikájára képezhetik azokat, meghatározva a betegséget egy erõsebb talajon.

Az AI-t már sikeresen alkalmazták a drogfejlesztés minden fõ szakaszában:

· 0. szakasz. Az irodalom áttekintése

· 1. szakasz: A beavatkozás céljainak meghatározása

· 2. szakasz: kábítószerjelöltek felfedezése

· 3. szakasz: A klinikai vizsgálatok felgyorsítása

· 4. szakasz: Biomarkerek keresése a betegség diagnosztizálásához

A gyógyszerfejlesztés fő szakaszai

0. szakasz Az irodalom áttekintése

Hatalmas mennyiségű kutatás jelenik meg minden nap, és ha össze tudnánk hasonlítani az összes tanulmány betekintését, akkor jobb hipotézist fogalmazhatunk meg. Az ember számára azonban lehetetlen elolvasni az összes kivonatot és tudományos publikációt, tehát a tudományos területen dolgozó kutatók általában csak egy területre koncentrálnak, és nem olvasnak más folyóiratokat. Ezek a folyóiratok azonban sok releváns adatot tartalmaznak, amelyek tájékozódhatnak a döntésekről azokon a területeken, amelyeket egy személy kutat. A megoldás az, ha a gépeknek olvasniuk kell az összes rendelkezésre álló irodalmat, szabadalmat és dokumentumot, és össze kell gyűjteniük az adatokat egy tényadat-adatbázisban, amelyet ki lehet vonni az irodalomból. Ez alátámasztja azt a hipotézist, amely a betegségek terápiás célpontjait megtalálja.

1. szakasz: A beavatkozás céljainak meghatározása

A gyógyszerfejlesztés első lépése a betegség biológiai eredetének és rezisztencia mechanizmusának megértése. Egy betegség kezeléséhez elengedhetetlen a jó célok, általában a fehérjék azonosítása. A nagy teljesítményű technikák, például a rövid hajtűs RNS (shRNS) szűrés és a mély szekvenálás széles körű alkalmazása növelte az életképes célpályák felfedezéséhez rendelkezésre álló adatok mennyiségét. Ennek ellenére továbbra is kihívást jelent a nagy számú és sokféle adatforrás integrálása, majd a megfelelő minták megtalálása. A gépi tanulási algoritmusokról ismert, hogy jók az ilyen feladatokban, és képesek kezelni az összes rendelkezésre álló adatot a jó célfehérjék automatikus előrejelzésére.

2. szakasz: A kábítószer-jelöltek felfedezése

Az azonosított célokkal a kutatók olyan vegyületet keresnek, amely a kívánt módon kölcsönhatásba léphet az azonosított célmolekulával. Ez magában foglalja több ezer és millió potenciális természetes, szintetikus és biogyártású vegyület szűrését a célra gyakorolt ​​hatásuk és mellékhatásaik szempontjából. A gépi tanulási algoritmusok meg tudják jósolni egy molekula alkalmasságát szerkezeti ujjlenyomatok és molekuláris leírók alapján, potenciális molekulák millióit átlátszóvá teszik, és a lehető legjobb lehetőségekre szűrhetik, minimális mellékhatásokkal.

3. szakasz: Gyorsabb klinikai vizsgálatok

A sikeres kísérletek kulcsa a megfelelő jelöltek pontos kiválasztása, mivel a helytelen választás a vizsgálatok meghosszabbítását, valamint az idő és az erőforrások pazarlását vonja maga után. A gépi tanulás felgyorsíthatja a klinikai vizsgálatok megtervezését azáltal, hogy automatikusan azonosítja a megfelelő jelölteket, és biztosítja, hogy a vizsgálatban résztvevők helyesen legyenek elosztva a csoportok között. Az ML algoritmusok olyan mintákat azonosíthatnak, amelyek előrejelzik a jó jelölteket. Ezenkívül értesíthetik a kutatókat arról, hogy a klinikai vizsgálat nem ad meggyőző eredményeket, így a kutatók korábban beavatkozhatnak, és potenciálisan megmenthetik a gyógyszer fejlesztését.

4. szakasz: A biomarkerek azonosítása a betegség diagnosztizálására

Végül csak akkor kezelheti a betegeket egy betegség miatt, ha biztos benne a diagnózisában. A biomarkerek olyan molekulák, amelyeket a testfolyadékokban, például a vérben találnak meg, amelyek abszolút bizonyosságot nyújtanak abban, hogy a betegnek van-e betegsége vagy sem. Ezek biztonságossá és olcsóvá teszik a betegség diagnosztizálásának folyamatát. Ezek felhasználhatók a betegség előrehaladásának pontos meghatározására - megkönnyítve az orvosok számára a megfelelő kezelés kiválasztását és a gyógyszer működésének ellenőrzését.

A biomarkerek felfedezése azonban tízezrek potenciális molekulajelöltek szűrését foglalja magában. Az AI ismét képes automatizálni és felgyorsítani a folyamatot. Az algoritmusok a molekulákat jó és rossz jelöltekre osztályozzák - és a kutató csak a legjobb kilátások elemzésére összpontosíthat.

A biomarkerek azonosíthatják:

· Diagnosztikai biomarker: egy betegség jelenléte a lehető leghamarabb

· Kockázati biomarker: annak kockázata, hogy a beteg kialakul a betegségben

· Prognosztikai biomarker: A betegség várható előrehaladása

· Prediktív biomarker: A beteg reagál-e egy gyógyszerre

A biomarkerek típusai

Annak ellenére, hogy az AI széles körű alkalmazása továbbra is gyalogságában van, számos példa található annak alkalmazására a gyógyszergyártókban. Például a Merck & Co gyógyszeripari óriás egy olyan projekten dolgozik, amely mély tanulási technológiát alkalmaz új új molekulák felfedezésére. A Pfizer együttműködést indított az IBM Watsonnal az immunológiai onkológiai gyógyszerek felfedezésének kutatására. A berlini, a massachusettsi székhelyű biotechnológiai vállalat kutatói modellt dolgoztak ki a korábban ismeretlen rákmechanizmusok azonosítására, több mint 1000 rákos és egészséges emberi sejtmintán végzett tesztek segítségével.

Ez a változás azt mutatja, hogy az ipar nemcsak felébredt, hanem aktívan átélte a gépi tanulás előnyeit a gyógyszerek azonosítása és szűrése, a drogjelöltek pontosabb előrejelzése és végül a K + F költségeinek és erőfeszítéseinek csökkentése érdekében.

Hogyan változtatja meg az AI az emberi szakértők jövőjét?

Ahogy további tanulmányokat tesznek közzé, és megbeszéléseket folytatnak az AI jövőjéről az orvostudományban, az érv különálló oldalai merülnek fel. Az általános egyetértés abban áll, hogy míg a rutin feladatokat és az adatgyűjtést / -bevitelt gépeken kell elvégezni, mindig szükség lesz a kurátor szerepének emberi elemére, az ítéletre, a kreativitásra és az empátiára, vagy más olyan emberi tényezőkre, amelyeket a modern technológia nem tud biztosítani. .

Kurátorként az emberek felállítják a problémát, és hagyják, hogy az algoritmusok vagy robotok megoldják azt. Egyedül azért fogják testre szabni és megcélozni a meghatározott vegyületeket, tüneteket, betegségeket vagy másokat, nem véletlenszerű vagy percproblémák helyett. Emellett az emberi szakértők jóváhagyást fognak nyújtani a tesztelés különféle szakaszaiban vagy további lehetőségek feltárása révén, eredmények alapján, olyan körülmények alapján, amelyeket a robotok nem értenek.

Összegezve: a jövő az emberek és a gépek közötti együttműködésen rejlik, és az emberi klinikai szakértőknek alkalmazkodniuk kell, meg kell tanulniuk és növekedniük kell a technológiai fejlődés mellett. Noha a jövőbeli szakembereknek mind orvosi, mind számítógépes szakembereknek kell lenniük, az orvostudomány szempontjából az evolúció, nem pedig a kihalás.