Slik bidrar medtech til raskere oppdagelse av legemidler
Les videre for mer informasjon om kunstig intelligens under oppdagelse og utvikling av legemidler, og hvordan det bidrar til å redusere kostnadene for utvikling av legemidler og skaffe pasientene raskere livreddende behandling.
De økte kostnadene for oppdagelse og utvikling av legemidler
Måten helsepersonell behandler pasientene på er i rask endring. Presisjonsmedisin blir mer vanlig etter hvert som forskere finner løsninger på komplekse helseproblemer, og legemiddelindustrien etterstreber å redusere tiden det tar å utvikle livreddende legemidler.
Foreløpig er innføringen av nye legemidler på markedet en ekstremt lang og dyr prosess for legemiddelselskapene. Ifølge Taconic Biosciencei 2019 tok utviklingen av hvert legemiddel over 12 år og kostet omtrent 2,8 milliarder USD. Og selv da oppnår ikke 90 % av kandidatene FDA-godkjenning.
Den gode nyheten er at kunstig intelligens har et utrolig potensial for å få fart på prosessen for oppdagelse og utvikling av legemidler.
Slik kan kunstig intelligens effektivisere prosessen for oppdagelse av legemidler
Det første trinnet for å lage de fleste legemidlene er å syntetisere en forbindelse som kan binde seg til, og modulere, et målmolekyl – som regel et protein – som er involvert i en sykdom. For å finne den rette forbindelsen, går forskere gjennom tusenvis av mulige kandidater. Når et mål er identifisert, sorterer forskerne store biblioteker med lignende forbindelser for å finne det optimale samspillet med sykdommens protein.
For tiden tar det over et tiår og hundrevis av millioner dollar å komme så langt. Men medtech som benytter seg av kunstig intelligens og maskinlæring kan effektivisere prosessen for legemiddelselskapene. De bruker mindre tid og penger å innføre nye legemidler. Disse teknologiene kan for eksempel:
Finkjemme molekylbiblioteker
Bibliotekene som sorteres for å finne molekylkandidater er så enorme at det nesten er umulig for menneskelige forskere å gjennomgå alt på egen hånd. Kunstig intelligens kan derimot raskt identifisere potensielle målforbindelser i store datasett. Forskerne sparer hundrevis av timer i laboratoriet.
Forutsi egenskaper for forbindelser
Den tradisjonelle prosessen for oppdagelse av legemidler omfatter tidkrevende prøving og feiling. Medtech-løsninger kombinert med kunstig intelligens og maskinlæring kan bidra til å fremskynde prosessen. De kan nemlig forutsi egenskapene til potensielle forbindelser og sikre at bare de som har ønsket sammensetning, velges for syntese. Slik slipper forskerne å jobbe med forbindelser som sannsynligvis ikke vil fungere.
Finne opp nye forbindelser
Mens sortering fører til få lovende resultater, kan kunstig intelligens til og med kjøre idédugnader for helt nye forbindelser som passer til de ønskede parametrene, og som har større sjanse for å lykkes.
Hvordan kan kunstig intelligens bidra til oppdagelse av nye legemidler?
Hvordan brukes kunstig intelligens under kliniske utprøvinger?
Ifølge Deloitte er bare 10 % av legemiddelkandidatene som starter på stadiet med kliniske utprøvinger, godkjent av tilsynsorganer. Det lengste og dyreste stadiet under prosessen med å lage nye legemidler er kliniske utprøvinger. Dette innebærer flere faser med menneskelig testing, og hver fase har hundrevis eller tusenvis av deltakere.
Den tradisjonelle lineære prosessen med randomiserte, kontrollerte studier har ikke endret seg på flere tiår. Den har for lite fleksibilitet, hastighet og analytisk kraft som er nødvendig for at modellen for presisjonsmedisin skal kunne utvikle seg. Bedrifter sliter med både å finne de riktige deltakerne og, ikke minst, med å rekruttere, beholde og administrere dem effektivt. Prosessens ineffektivitet bidrar sterkt til økte kostnader for oppdagelse og utvikling av legemidler samt til lave godkjenningsrater.
Legemiddelselskaper kan bruke prediktive modeller for kunstig intelligens under hele den kliniske utprøvingsfasen av legemiddelutviklingen, fra utforming til dataanalyse. Det bidrar til å:
- Identifisere egnede pasienter ved utvinning av innhold som er offentlig tilgjengelig.
- Vurdere prestasjonene til utprøvingsområdet i sanntid.
- Automatisere datadeling på tvers av plattformer.
- Fremskaffe data til sluttrapporter.
Kobling mellom algoritmer og effektiv teknisk infrastruktur sikrer at den konstante strømmen av kliniske data renses, aggregeres, lagres og administreres effektivt. Dermed kan forskere bedre forstå legemidlenes sikkerhet og effekt uten å måtte samle inn og analysere manuelt de enorme datasettene som genereres under utprøvinger.
Barrierer for bruk av kunstig intelligens under oppdagelse og utvikling av legemidler
Selv om bruken av kunstig intelligens blir mer utbredt under prosesser for utvikling av legemidler, er der fremdeles barrierer for å ta dette i bruk.
Datakvalitet
En ofte sitert utfordring i mange bransjer er at dårlige data raskt kan redusere den gunstige effekten av kunstig intelligens og maskinlæring. For legemiddelforskere gjør data av dårlig kvalitet medtech upålitelig og, til syvende og sist, ikke mer nøyaktig, nyttig eller tidsbesparende enn tradisjonelle metoder.
Frykt
I de fleste bransjer er der en misoppfatning om at teknologien etter hvert helt vil erstatte menneskelig innsats. Legemiddel industrien er ikke noe unntak. Og selv om det stemmer at kunstig intelligens kan analysere store datasett raskere, finnes der ingen erstatning for dyktige menneskelige forskere og klinikere.
Mangel på kvalifikasjoner
Implementering av medtech under oppdagelsesprosessen av legemidler krever en rekke spesifikke kvalifikasjoner. For å holde dataene renset og effektive for kunstig intelligens, trenger selskapene arbeidere som ikke bare har tekniske ferdigheter. De må også ha forståelse av det vitenskapelige ved prosessen slik som utforming av legemidler, biologi og kjemi. Dette er høye krav som selskapene har vanskelig for å leve opp til.
Fremtidens kunstige intelligens under legemiddelindustriens utvikling av medisiner
Kunstig intelligens er til hjelp for forskere som skal innovere og klinikere som må oppfylle kravene til presisjonsmedisin. Det bidrar også til at selskapene får livsendrende legemidler ut på markedet. Hvert år inngås flere partnerskap mellom farmasøytiske og teknologiske selskaper, og store investeringer gjøres i oppstartsbedrifter innen medtech og kunstig intelligens.
Vi ser til og med deling av data mellom store legemiddelselskaper. MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) er en forening som forenkler deling av data mellom dusinvis av medlemmer. MELLODDY bruker et blokkjedebasert system som lar selskaper dele rettighetsbeskyttede data samtidig som de opprettholder konfidensialiteten. Forskere kan bruke eksisterende data til å komme raskt i gang med oppdagelsesprosessen av nye legemidler. De sparer årevis under utviklingen.
Få fart på forskning og utvikling
Følg oss