Kako medicinska tehnologija pripomore k hitrejšemu odkrivanju zdravil
Preberite več o umetni inteligenci pri odkrivanju in razvoju zdravil ter o tem, kako pomaga zmanjšati stroške razvoja zdravil in bolnikom hitreje zagotoviti zdravljenje, ki rešuje življenja.
Naraščajoči stroški odkrivanja in razvoja zdravil
Način obravnave bolnikov s strani zdravstvenih delavcev se hitro spreminja. Precizna medicina postaja vse pogostejša, saj se raziskovalci ukvarjajo z zapletenimi zdravstvenimi vprašanji, farmacija pa si prizadeva skrajšati čas, potreben za razvoj zdravil, ki rešujejo življenja.
Trenutno je dajanje novega zdravila na trg za farmacevtska podjetja izjemno dolgotrajen in drag postopek. Po podatkih družbe Taconic Bioscience je bilo za razvoj enega zdravila leta 2019 potrebnih približno 2,8 milijarde dolarjev in več kot 12 let. Po vsem tem 90 % kandidatov ne dobi odobritve agencije FDA (Uprava ZDA ha hrano in zdravila).
Dobra novica je, da ima umetna inteligenca neverjeten potencial za pospešitev postopka odkrivanja in razvoja zdravil.
Kako umetna inteligenca pospeši postopek odkrivanja zdravil
Prvi korak pri ustvarjanju večine zdravil je sinteza spojine, ki se lahko veže na ciljno molekulo, običajno na beljakovino, ki je vključena v bolezen, in jo modulira. Raziskovalci pregledajo na tisoče možnih kandidatov, da bi našli pravo spojino. Ko je cilj opredeljen, raziskovalci pregledajo ogromne knjižnice podobnih spojin, da bi našli optimalno interakcijo z beljakovino bolezni.
Zdaj je za to potrebno več kot desetletje in več sto milijonov dolarjev. Medicinska tehnologija, ki uporablja umetno inteligenco in strojno učenje, pa lahko poenostavi postopek ter zmanjša porabo časa in denarja, ki ga farmacija potrebuje za izdajo novih zdravil. Te tehnologije lahko na primer:
Kombinirajo knjižnice molekul
Knjižnice za iskanje kandidatov za molekule so tako obsežne, da je skoraj nemogoče, da bi človeški raziskovalci sami pregledali vse. Po drugi strani pa lahko umetna inteligenca hitro prepozna potencialne ciljne spojine v velikih naborih podatkov, kar raziskovalcem prihrani na stotine ur v laboratoriju.
Predvidijo lastnosti spojin
Tradicionalni postopek odkrivanja zdravil vključuje dolgotrajne poskuse in številne napake. Rešitve medicinske tehnologije v kombinaciji z umetno inteligenco in strojnim učenjem lahko pospešijo postopek z napovedovanjem lastnosti potencialnih spojin, s čimer se zagotovi, da so za sintezo izbrane samo tiste z želeno sestavo. Raziskovalcem s tem prihranijo delo na spojinah, ki verjetno ne bodo učinkovite.
Izumijo nove spojine
Kadar pregledovanje prinese malo obetavnih rezultatov, lahko umetna inteligenca celo pripravi ideje za povsem nove spojine, ki ustrezajo želenim parametrom in imajo večje možnosti za uspeh.
Kako lahko umetna inteligenca pomaga pri odkrivanju novih zdravil?
Kako se umetna inteligenca uporablja pri kliničnih preskušanjih?
Po podatkih družbe Deloitte regulativni organi odobrijo le 10 % kandidatov za zdravila, ki vstopijo v fazo kliničnega preskušanja. Klinična preskušanja, ki so najdaljša in najdražja faza postopka ustvarjanja zdravila, vključujejo več faz preskušanja na ljudeh, v vsaki fazi pa sodeluje več sto ali tisoč udeležencev.
Tradicionalni linearni postopek randomiziranih nadzorovanih preskušanj (RCT) se ni spremenil že desetletja, poleg tega pa mu primanjkuje prožnosti, hitrosti in analitične moči, ki so potrebni za uspeh modela precizne medicine. Podjetja težko najdejo prave udeležence, kaj šele, da bi jih učinkovito zaposlila, obdržala in upravljala. Neučinkovitost postopka močno prispeva k naraščajočim stroškom odkrivanja in razvoja zdravil ter nizki stopnji odobritve.
Farmacevtska podjetja lahko napovedne modele umetne inteligence uporabljajo v celotni fazi kliničnega preskušanja pri razvoju zdravila, od načrtovanja do analize podatkov, in tako pomagajo pri:
- Prepoznajte primerne bolnike z iskanjem javno dostopnih vsebin.
- Sproti ocenjujte uspešnost mesta kliničnega preskusa.
- Avtomatizirajte skupno rabo podatkov med platformami.
- Zagotovite podatke za končna poročila.
Povezovanje algoritmov z učinkovito tehnično infrastrukturo zagotavlja učinkovito čiščenje, združevanje, shranjevanje in upravljanje stalnega toka kliničnih podatkov. Tako lahko raziskovalci bolje razumejo varnost in učinkovitost zdravila, ne da bi jim bilo treba ročno zbirati in analizirati ogromne nabore podatkov, ki so nastali pri preskušanjih.
Ovire za uvedbo umetne inteligence v odkrivanje in razvoj zdravil
Čeprav je uporaba umetne inteligence v postopku odkrivanja zdravil vse bolj razširjena, še vedno obstajajo ovire za njeno sprejetje.
Kakovost podatkov
Pogosto omenjeni izziv v številnih panogah je, da lahko slabi podatki hitro zmanjšajo uporabnost umetne inteligence in strojnega učenja. Za raziskovalce zdravil so zaradi slabe kakovosti podatkov medicinske tehnologije nezanesljive in na koncu niso nič bolj natančne, uporabne ali časovno varčne od tradicionalnih metod.
Zaskrbljenost
V večini panog vlada zmotno prepričanje, da bo tehnologija sčasoma popolnoma nadomestila človeške delavce. Izjema ni niti farmacevtska industrija. Čeprav je res, da lahko umetna inteligenca hitreje analizira velike nabore podatkov, ne more nadomestiti usposobljenih človeških raziskovalcev in zdravnikov.
Pomanjkanje znanja in spretnosti
Uvajanje medicinske tehnologije v postopek odkrivanja zdravil zahteva nišni nabor znanj in spretnosti. Da bi bili podatki pregledni in umetna inteligenca učinkovita, podjetja potrebujejo delavce ne le s tehničnim znanjem, temveč tudi z razumevanjem znanstvene plati postopka, kot so oblikovanje zdravil, biologija in kemija. To je zahtevna naloga, ki jo podjetja težko izpolnijo.
Prihodnost umetne inteligence pri razvoju farmacevtskih zdravil
Umetna inteligenca pomaga raziskovalcem pri inovacijah, zdravnikom pri izpolnjevanju zahtev precizne medicine, podjetjem pa pri dajanju zdravil, ki spreminjajo življenja, na trg. Vsako leto je več partnerstev med farmacevtskimi in tehnološkimi podjetji ter ogromno naložb v zagonska podjetja s področja medicinskih tehnologij in umetne inteligence.
Prihaja celo do izmenjave podatkov med velikimi farmacevtskimi podjetji. Machine Learning Ledger Orchestration for Drug Discovery ali MELLODDY je konzorcij, ki omogoča izmenjavo podatkov med več deset člani. MELLODDY uporablja sistem, ki temelji na veriženju blokov in podjetjem omogoča izmenjavo lastniških podatkov ob ohranjanju zaupnosti. Raziskovalci lahko uporabijo obstoječe podatke, da pospešijo postopek odkrivanja zdravil inskrajšajo leta razvoja.
Pospešite svoje raziskave in razvoj
Spremljajte nas