Прискорення процесу дослідження нових ліків завдяки медичним технологіям
Читайте далі, щоб дізнатися більше про роль штучного інтелекту в процесі дослідження й розробки нових лікарських засобів і про те, як ШІ допомагає скоротити витрати та прискорити вихід життєво важливих препаратів на ринок.
Зростання витрат на дослідження й розробку ліків
Методи лікування пацієнтів швидко змінюються. Точна медицина стає дедалі поширенішою, у той час як дослідники намагаються винайти препарати для лікування складних хвороб, а фармацевтичні компанії прагнуть прискорити розробку життєво важливих лікарських засобів.
Підготовка нового лікарського засобу до виходу на ринок – надзвичайно довгий і дорогий процес для фармацевтичних компаній. Згідно з даними компанії Taconic Bioscience, у 2019 році на розробку одного лікарського препарату, яка тривала більше 12 років, було витрачено приблизно 2,8 млрд доларів США. Після чого 90% потенційних лікарських препаратів навіть не отримують схвалення FDA.
Гарна новина полягає в тому, що штучний інтелект (ШІ) має неймовірний потенціал для оптимізації процесу дослідження й розробки нових лікарських засобів.
Оптимізація процесу відкриття нових ліків завдяки ШІ
Перший етап фармацевтичної розробки – синтез сполуки, яка може зв’язатись із цільовою молекулою, як правило, білком, відповідальним за розвиток хвороби, і модулювати її. Щоб знайти потрібну сполуку, дослідники розглядають тисячі потенційних препаратів-кандидатів. Потім вони вивчають великі бібліотеки з подібними сполуками, щоб відшукати ту, яка матиме оптимальну взаємодію з білком, що спричинив хворобу.
Сьогодні цей процес може тривати більше десяти років і коштувати сотні мільйонів доларів. Однак медико-технологічні компанії, які використовують штучний інтелект і машинне навчання, можуть оптимізувати цей процес, скоротивши час та витрати на фармацевтичну розробку нових лікарських засобів. Нижче описано можливості цих технологій.
Вивчення бібліотек молекул
Дослідникам практично неможливо самостійно переглянути величезні бібліотеки молекул, щоб визначити кандидатів. Натомість ШІ має змогу швидко визначати потенційні цільові сполуки у великих наборах даних, полегшуючи роботу дослідникам.
Передбачення властивостей сполук
Традиційні дослідження нових ліків – тривалий процес із використанням методу "спроб і помилок". Медико-технологічні рішення в поєднанні зі штучним інтелектом і машинним навчанням можуть прискорити цей процес шляхом передбачення властивостей потенційних з’єднань та відбору для синтезу сполук із конкретним складом. Так дослідникам не потрібно витрачати час на сполуки, які виявляться малоефективними.
Винайдення нових сполук
Якщо штучному інтелекту не вдасться відшукати кандидатів, він згенерує нові сполуки, які відповідатимуть бажаним параметрам і матимуть більше шансів на успіх.
Як за допомогою штучного інтелекту оптимізувати процес дослідження нових лікарських засобів?
Як штучний інтелект використовується в клінічних дослідженнях?
Згідно з даними Deloitte, лише 10% досліджуваних препаратів отримують схвалення регулятивних органів. Клінічні дослідження – найдовший та найдорожчий етап розробки ліків, оскільки вони складаються з багатьох фаз тестування препаратів на сотнях тисяч учасників.
Традиційний лінійний процес рандомізованих контрольованих досліджень не змінюється десятиліттями. Йому бракує гнучкості, швидкості й аналітичної потужності, необхідної для розвитку моделі точної медицини. Компаніям складно знаходити учасників для досліджень, не кажучи про те, щоб ефективно їх залучати й утримувати, а також управляти ними. Через низьку продуктивність цього процесу зростають витрати на дослідження й розробку лікарських засобів і збільшується кількість незатверджених препаратів.
Фармацевтичні компанії використовують моделі передбачення ШІ на етапі клінічних досліджень процесу розробки нових препаратів (від конструювання ліків до аналізу даних), щоб:
- визначати підхожих пацієнтів шляхом аналізу загальнодоступного вмісту;
- оцінювати ефективність досліджень у реальному часі;
- автоматизовувати обмін даними між різними платформами;
- надавати дані для підсумкових звітів.
Алгоритми в поєднанні з високотехнологічною інфраструктурою дають змогу ефективно впорядковувати, збирати та зберігати клінічні дані, які надходять постійним потоком, а також керувати ними. Так дослідники можуть отримувати повне уявлення про безпеку й ефективність лікарського засобу, не витрачаючи час на ручний збір і аналіз великих наборів даних.
Перешкоди на шляху до впровадження ШІ в процес дослідження й розробки ліків
Хоча штучний інтелект дедалі частіше використовується в процесі дослідження ліків, досі існує чимало перешкод на шляху до його впровадження.
Якість даних
Як показує практика, неякісні дані можуть зменшити ефективність штучного інтелекту й машинного навчання. Через неякісні дані медичні технології перестають бути надійними та зрештою ніяк не перевершують традиційні методи дослідження лікарських засобів.
Побоювання
Серед фахівців багатьох різних галузей поширюється думка, що технології можуть повністю замінити людей. Фахівці фармацевтичної галузі – не виняток. Незважаючи на те, що технології штучного інтелекту дійсно можуть оперативно аналізувати великі набори даних, вони ніколи не замінять кваліфікованих дослідників і лікарів.
Дефіцит кваліфікованих працівників
Щоб упровадити медичні технології в процес відкриття нових лікарських засобів, потрібно володіти багатьма спеціальними навичками. Щоб упорядковувати дані та забезпечувати ефективність штучного інтелекту, компанії потребують працівників, які не тільки володіють технічними навичками, а й розуміються на наукових аспектах цього процесу, зокрема на конструюванні ліків, біології та хімії. Це складне завдання, яке постає перед багатьма компаніями.
Майбутнє штучного інтелекту в розробці фармацевтичних препаратів
ШІ допомагає дослідникам упроваджувати інновації, лікарям – відповідати вимогам точної медицини, а компаніям – випускати на ринок життєво важливі препарати. Щороку дедалі більше фармацевтичних і технологічних компаній стають партнерами, а в медичні стартапи, які залучають можливості ШІ, вкладаються величезні кошти.
Великі фармацевтичні компанії навіть почали поширювати свої дані. Machine Learning Ledger Orchestration for Drug Discovery (MELLODDY) – консорціум, учасники якого можуть легко обмінюватися даними. MELLODDY використовує блокчейн-систему, яка дає змогу компаніям ділитися власними даними, зберігаючи при цьому конфіденційність. Дослідники можуть використовувати наявні дані, щоб оптимізувати та прискорити процес пошуку й відкриття нових лікарських засобів.
Прискорення досліджень і розробок
Підпишіться на наші новини