Jak obor zdravotnických technologií pomáhá urychlit vývoj léků
V dalším textu se dozvíte víc o tom, jak se při vývoji léků využívá umělá inteligence. Ta v této oblasti pomáhá snižovat náklady a rychleji dostat k pacientům možnosti léčby, která jim může zachránit život.
Rostoucí náklady na výzkum a vývoj léků
Způsob, jak zdravotníci léčí pacienty, se rychle mění. V prostředí, kde se výzkumníci věnují složitým zdravotním problémům a farmaceutický průmysl usiluje o zkrácení času na vývoj léků, které mohou zachraňovat životy, se stále častěji uplatňuje personalizovaná medicína.
Uvedení nového léku na trh je v současné době pro farmaceutické společnosti mimořádně dlouhý a nákladný proces. Podle údajů Taconic Bioscience si v roce 2019 vývoj jediného léků vyžádal okolo 2,8 miliardy dolarů a více než 12 let času. A 90 % kandidátů se nakonec v této fázi nepodaří získat schválení agentury FDA.
Dobrá zpráva je, že při hledání a vývoji nových léků má obrovský potenciál umělá inteligence (AI), která může celý proces značně urychlit.
Jak AI zjednodušuje proces hledání nových léků
Prvním krokem při vývoji většiny léků je syntéza sloučeniny, která se dá navázat na cílovou molekulu (obvykle protein) způsobující onemocnění a tu poté upraví. Při hledání té pravé sloučeniny hodnotí vědci tisíce možných kandidátů. Jakmile určí cíl, procházejí pak obrovské knihovny podobných sloučenin a hledají interakci s bílkovinou daného onemocnění.
Dostat se do tohoto bodu momentálně trvá víc než deset let a stojí stovky milionů dolarů. Zdravotnické technologie, který využívají umělou inteligenci a strojové učení, ale můžou celý proces zjednodušit a ušetřit tak farmaceutickému průmyslu čas a peníze potřebné k uvedení nových léků. Tyto technologie například dokážou:
Pročesávat knihovny molekul
Knihovny, v nichž se vyhledávají kandidáti na molekuly, jsou tak obrovské, že je téměř nemožné, aby je výzkumníci zkontrolovali sami. Umělá inteligence naopak dokáže v obrovských datových sadách rychle vyhmátnout potenciální cílové sloučeniny a ušetřit tak vědcům stovky hodin v laboratoři.
Předvídat vlastnosti hledané sloučeniny
Tradiční proces hledání nových léků postupuje časově náročnou metodou pokusu a omylu. Řešení zdravotnických technologií v kombinaci s umělou inteligencí a strojovým učením můžou pomoct celý proces urychlit tím, že předpovídají vlastnosti vhodných sloučenin. K syntéze pak lze vybrat jen ty, které jsou utvářeny požadovaným způsobem. Výzkumníci si tak ušetří práci na sloučeninách, které pravděpodobně nebudou účinné.
Vynalézat nové sloučeniny
Když prvotní šetření přinese jen málo slibných výsledků, může umělá inteligence dokonce přicházet s nápady na zcela nové sloučeniny, které splňují požadované parametry a mají větší šanci na úspěch.
Jak může umělá inteligence pomáhat při hledání nových léků?
Jak lze využít umělou inteligenci v klinických studiích?
Podle společnosti Deloitte je z kandidátů na léky, které vstoupí do fáze klinické studie, schváleno regulačními orgány pouhých 10 %. Klinické studie jsou nejdelší a nejnákladnější fáze procesu vývoje léků. Zahrnují několik fází zkoušek na lidech, do každé z nich se při tom musí zapojit stovky až tisíce účastníků.
Tradiční lineární proces randomizovaných kontrolovaných studií zůstává po desetiletí stejný a postrádá flexibilitu, rychlost a analytický výkon potřebné k tomu, aby prosperoval model personalizované medicíny. Společnosti se potýkají s hledáním vhodných účastníků, nemluvě o jejich motivaci, udržování a efektivním řízení. Neefektivnost celého procesu výrazně přispívá k rostoucím nákladům na výzkum a vývoj léků a také k nízké úspěšnosti při schvalování.
Farmaceutické společnosti přitom mohou v celé fázi klinických studií léků, od návrhu až po analýzu dat, využít prediktivní modely umělé inteligence. Ty jim pomohou:
- Vyhledat ve veřejně dostupných zdrojích vhodné pacienty.
- Vyhodnocovat výkon v konkrétní lokalitě v reálném čase.
- Automatizovat sdílení dat na různých platformách.
- Extrahovat data do závěrečných zpráv.
Algoritmy párování s efektivní technickou infrastrukturou zajišťují, že proud neustále přicházejících klinických dat se bude efektivně čistit, agregovat, ukládat a spravovat. Vědci si tak mohou udělat lepší přehled o bezpečnosti a účinnosti léku, aniž by museli ručně kompletovat a analyzovat obrovské datové sady vygenerované ve studii.
Překážky v přijímání AI při výzkumu a vývoji léků
I když je používání umělé inteligence v procesu vývoje léků stále častější, její přijímání stále naráží na určité překážky.
Kvalita dat
Často skloňovaný problém v mnoha odvětvích spočívá v tom, že špatná data můžou přínosy umělé inteligence a strojového učení značně oslabit. Pro vědce zkoumající nové léky znamenají nekvalitní data, že zdravotnické technologie nejsou spolehlivé a v konečném důsledku nejsou přesnější, užitečnější ani časově úspornější než tradiční metody.
Obavy
Ve většině odvětví vládne mylná představa, že technologie mají nakonec zcela nahradit lidské pracovníky. Ani farmaceutický průmysl není výjimkou. Jakkoli je ale pravda, že umělá inteligence dokáže rychleji analyzovat velké datové sady, nikdy nenahradí zkušené lidské vědce a lékaře.
Nedostatek dovedností
Nasazení zdravotnických technologií v procesu hledání nových léků vyžaduje sadu ne zcela běžných dovedností. Aby byla data čistá a umělá inteligence účinná, potřebují společnosti pracovníky nejen s technickými dovednostmi, ale také se znalostí vědecké stránky procesu, jako je navrhování léků, biologie a chemie. Je to náročné zadání a společnosti mají s obsazením těchto pozic nemalé potíže.
Budoucnost umělé inteligence ve vývoji léků
Umělá inteligence pomáhá vědcům inovovat, lékařům plnit požadavky personalizované medicíny a společnostem uvádět na trh léky, které mění lidem život. Každý rok se uzavírá více partnerství mezi farmaceutickými a technologickými společnostmi a do start-upů v oblasti zdravotnických technologií a umělé inteligence proudí obrovské investice.
Sledujeme dokonce i to, že spolu velké farmaceutické firmy sdílejí data. Konsorcium MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) pomáhá při snadném sdílení dat desítkám svých členů. Používá při tom blockchainový systém, který společnostem umožňuje sdílet vlastní data a zachovat jejich důvěrnost. Výzkumníci mohou existující data využít k rychlému nastartování vývoje nových léků a zkrátit ho tak o celé roky.
Zrychlení výzkumu a vývoje
Sledujte nás