AI revoliucionuoja vaistų atradimą, turėdamas galimybę analizuoti didžiulius duomenų rinkinius. Ypač naudingas ankstyvojo vaisto atradimo etape, AI gali padėti efektyviau nustatyti galimus vaistų taikinius nei tradiciniai metodai, pagreitindama pradinius vaistų kūrimo etapus, greitai sijodami didelius duomenų kiekius.
Remiantis „Globaldata“ apklausa, paskelbta 2025 m. Balandžio mėn., PG yra laikoma labiausiai žlugdančia technologija tarp šių dienų, įskaitant sveikatos priežiūros pramonę, o 73% respondentų teigia, kad AI arba šiek tiek sutrikdys jų pramonę (I). Iš tikrųjų 2024 m. Nobelio chemijos premija buvo įteikta „Deepmind“ komandai už jų darbą „Alphafld“ (II) – AI sistemoje, kuri tiksliai prognozuoja baltymų struktūras. Apdovanotas už „skaičiavimo baltymų dizainą“ ir „baltymų struktūros numatymą“, „Nobelio chemijos komiteto komiteto pirmininkas“ Heineris Linke’as teigė, kad „baltymų struktūrų prognozavimas iš jų aminorūgščių sekų … atveria didžiules galimybes“.
Nustačius taikinius, AI ir toliau vaidina lemiamą vaidmenį kuriant švino generavimą ir optimizavimą. PG modeliai gali numatyti molekulinę sąveiką ir padėti suprojektuoti naujus junginius, pritaikytus konkretiems terapiniams tikslams. Pavyzdžiui, generatyvinė PG yra naudojama kuriant mažas molekules ar baltymus, kurie atitinka specifinius kriterijus, padidinant vaistų projektavimo procesą (III).
AI vaidmuo taip pat apima klinikinius tyrimus, nes AI jau naudojama siekiant sustiprinti bandymų projektavimą, galimybes ir vietos pasirinkimą, taip pat pacientų įdarbinimą ir išlaikymą, kartu su duomenų analize ir reguliavimo pateikimu bei peržiūra. 2023 m. Atliktas tyrimas nustatė, kad klinikinio tyrimo paciento suderinimo įrankis galėjo sutrumpinti gydytojų išankstinio patikrinimo laiką 90%, pasinaudodama didelių kalbos modeliais (LLMS) (IV).
Ši AI integracija į narkotikų atradimo procesą gali žymiai sumažinti išlaidas, pagerinant efektyvumą. Kai kurie ekspertai siūlo, kad I fazės skaitymo išlaidos gali sumažėti nuo 100 milijonų JAV dolerių iki maždaug 70 milijonų dolerių (V), todėl novatoriškų gydymo būdų siekimas yra ekonomiškesnis, tuo pačiu kondencuojant tipišką ketverių-penkerių metų tiriamųjų tyrimų etapą per mažiau nei metus-reikšmingą pagerinimą su keliomis gydymo galimybėmis (VI).
Tačiau visą AI potencialą suvaržo iššūkiai, tokie kaip aukštos kokybės duomenų rinkinių poreikis, reguliavimo kliūtys ir net žmonių patirties stoka. Nors reguliavimo institucijos reaguoja nustatydami gaires ir skatindami bendradarbiavimą su pramonės suinteresuotosiomis šalimis, išlieka iššūkiai, ypač atsižvelgiant į etines AI technologijų padarinius sveikatos priežiūros srityje. Plačiai pritaikyti taip pat kliudo biologiniai duomenys, reikalingi mokyti AI modelius, kurie dažnai yra brangūs ir daug laiko reikalauja generuoti.
Ankstyvosios stadijos narkotikų atradimas
Mašinų mokymosi (ML) modeliai žymiai padidina ankstyvos stadijos vaistų atradimo efektyvumą, ypač nustatant HIT identifikavimą ir švino optimizavimą, palyginti su tradiciniais metodais. Vienas ryškiausių ML pranašumų yra jo sugebėjimas greitai apdoroti didžiulį duomenų kiekį. Atlikus tradicinį narkotikų atradimą, nustatyti vieną kandidatą gali prireikti metų, reikalaujant tūkstančių molekulių sintezės ir tikrinimo per ilgą laiką. Bendrovių paraiškos, surinktos „Globalaldata“ (VII), rodo, kad tradiciniams metodams gali prireikti sintetinti apie 5000 molekulių per ketverius – šešerius metus, kad būtų galima nustatyti perspektyvų kandidatą.
Priešingai, ML modeliai gali iš esmės apžiūrėti milijardus molekulių, sumažindami fizinių bandymų skaičių tik iki kelių šimtų. Ši galimybė tyrėjams leidžia vienai dienai pirmenybę teikti vienai milijardui molekulių, palyginti su milijonu dienų su įprastais metodais. „Globaldata“ narkotikų duomenų bazė rodo, kad šiuo metu yra 40 regeneracinių medicinos terapijų, kurios buvo aptiktos arba kuriamos naudojant AI (VIII). Iš jų trys yra atliekami II fazės klinikiniai tyrimai, įskaitant „Aspen Neuroscience“ ANPD-001, kuris šiuo metu yra II fazės klinikiniuose tyrimuose, skirtuose Parkinsono ligos gydymui. AI ir ML vaidina svarbų vaidmenį šiame procese, nes ląstelės yra tiriamos siekiant užtikrinti tinkamą funkciją, įskaitant ML pagrįstus genetinius tyrimus, kad būtų galima įvertinti ląstelių kokybę.
ML modeliai taip pat gali naudoti aktyvaus mokymosi metodus, kurie leidžia tiksliau numatyti molekulės savybes. Prioritetą teikdami molekulėms fizikai pagrįstai analizei, tyrėjai gali anksčiau susidurti su potencialiomis problemomis narkotikų atradimo procese, dar labiau padidinti efektyvumą ir sumažinti sąnaudas.
Generatyvinės AI ir duomenų analizės integracija su duomenų tardymo priemonėmis žymiai padidina narkotikų atradimo procesų efektyvumą ir efektyvumą, paspartinant junginius ir tikslinį patikrinimą bei gerinant biologinės veiklos vertinimus, saugumą ir palengvindama naujų esamų vaistų vartojimo būdus.
AI varomi atrankos metodai, tokie kaip didelio pralaidumo atranka (HTS), leidžia tyrėjams greitai įvertinti dideles junginių bibliotekas. Tai žymiai pagreitina švino junginių identifikavimą, tuo pačiu metu nagrinėjant kelis kandidatus, tuo tarpu virtualios patikros, struktūros pagrindu sukurto vaistų projektavimo ir ligandų pagrindu pagamintų vaistų projektavimo priemonės palengvina potencialių kandidatų į narkotikus identifikavimą numatant, kaip junginiai sąveikaus su biologiniais tikslais.
Įrankiai, kurie kaupia išsamius įvairių duomenų bazių duomenis, suteikia galimybę tyrėjams efektyviau įvertinti junginių saugos profilius. Analizuodami istorinius duomenis apie toksiškumą ir farmakokinetiką, tyrėjai gali nustatyti galimą neigiamą poveikį ir atitinkamai optimizuoti narkotikų kandidatus. Pasinaudoję esamus duomenis apie kandidatus į narkotikus, kurie anksčiau buvo išbandyti, tyrėjai gali ištirti naujas nuorodas. Šis dvigubas požiūris į naujų kandidatų plėtrą ir „gelbėjant“ istorinius kandidatus sumažina riziką ir padidina sėkmingų rezultatų potencialą atliekant klinikinius tyrimus.
Mokymo AI modeliai
Treniruotės AI modeliuose narkotikų atradime labai priklauso nuo įvairių rūšių biologinių ir klinikinių duomenų, pabrėžiant įvairovę, siekiant sušvelninti šališkumą. Norint išspręsti duomenų spragas ir šališkumą, reikia derinant novatoriškus metodus, atvirų duomenų praktiką ir reguliavimo priežiūrą. Kritiškiausi duomenų tipai, skirti mokyti AI modelius, apima biologinius ir klinikinių tyrimų duomenis, skaitmeninius biomarkerius ir įvairius demografinius duomenis.
Biologiniai duomenys yra būtini norint suprasti biologinius procesus ir narkotikų sąveiką, tačiau tokių duomenų generavimas dažnai būna lėtas ir reikalauja išteklių. Klinikinių tyrimų duomenys, įskaitant paciento demografinius rodiklius, gydymo reakcijas ir rezultatus, yra gyvybiškai svarbūs numatant gydymo reakcijas ir efektyvių vaistų vystymąsi. Skaitmeniniai biomarkeriai, gauti iš skaitmeninių elgesio intervencijų ir pacientų stebėjimo sistemų, suteikia įžvalgos apie gydymo reakcijas ir padidina AI modelių numatomuosius galimybes.
Duomenų spragų ir šališkumo sprendimas AI mokymuose yra labai svarbūs kuriant vaistus. Strategijos apima duomenų didinimą, atvirojo kodo dalijimąsi duomenų dalijimosi duomenimis, tikslinio derinimo metodais, požiūriu į žmogaus požiūrį ir reguliavimo sistemas. Duomenų padidinimas padidina mokymo duomenų rinkinio dydį, sukuriant esamų duomenų variantus, o dalijantis atvirojo kodo duomenų dalijimosi variantais galima gauti platesnę prieigą prie įvairių duomenų šaltinių. Tinkamumo metodai prioritetą teikia reprezentacinių mokymo duomenų naudojimui, kad būtų galima ištaisyti šališkumą, tuo tarpu „Žmogaus ir kilpos“ metodai apima ekspertų atsiliepimus AI mokymo proceso metu, kad būtų galima nustatyti ir ištaisyti šališkumą.
Kaip elektroniniai sveikatos įrašai (EHR) gali suteikti svarbių įžvalgų
Veradigmas, pirmaujanti sveikatos priežiūros duomenų ir technologijų sprendimų teikėja, fiksuoja struktūrizuotus duomenis įvairioms pacientų populiacijoms ir geografijoms, naudodama AI, norėdami analizuoti elektroninių sveikatos įrašų (EHR) nustatytus duomenis „Veradigm“ tinkle. „Veriadigm“ AI pagrįstas požiūris taip pat suteikia galimybę keičiamą informaciją ištraukti iš nestruktūrizuotų duomenų, siūlydama gyvybės mokslo organizacijas gilesnes, realiojo laiko įžvalgas apie pacientų patirtį ir rezultatus.
Neseniai „Veriadigm“ sukūrė* AI įjungtą, GLP-1, kuriai skirta realaus pasaulio duomenų bazė, skirta palaikyti gyvybės mokslų kompanijas, siekiant suprasti ir optimizuoti gydymo rezultatus. Per pažengusią AI pagrįstą duomenų kuravimą platforma ištraukia realiąsias klinikų pastabų įžvalgas, įskaitant GLP-1 terapijos nutraukimo priežastis, tokias kaip nepageidaujami įvykiai ir suvoktas veiksmingumo trūkumas. Tai taip pat nustato naudojimo modelius ne pagal etiketes ir susijusias gretutines ligas, kurios gali turėti įtakos terapiniams sprendimams. „Veriadigm“ sprendimas, derinamas su klinikiniu patvirtinimu, siekiant užtikrinti duomenų tikslumą ir patikimumą, pateikia tinkamus tikslus įrodymus, kaip paspartinti tyrimus ir pagerinti pacientų priežiūros strategijas.
Norėdami gauti daugiau informacijos apie „Veriadigm“ metodą, atsisiųskite žemiau esantį nemokamą dokumentą.
(I) „Globaldata“: Technologijų požiūrio apklausos Q1 2025 m., 2025 m. Balandžio mėn.
(ii) https://www.nobelprize.org/prizes/chemistry/2024/press-release/
(iii) Zhao L, Wang J, Pang L, Liu Y, Zhang J. Gansdta: numatant vaisto surišimo afinitetą naudojant GANS. Priekinis genetas. 2020 m. Sausio 9 d.; 10: 1243. doi: 10.3389/fgene.2019.01243. PMID: 31993067; PMCID: PMC6962343. https://pmc.ncbi.nlm.nih.gov/articles/pmc6962343/
(iv) https://www.researchgate.net/publication/370071234_improving_patient_pre-screening_for_clinical_trials_assisting_physicans_with_large_language_models
v) https://www.pharmaceutical-technology.com/features/the-ai-advantage-in-discoverling-new-medicines/
vi) „Globaldata“: dirbtinis intelektas sveikatos priežiūros srityje, 2024 m. Rugsėjo mėn
(7) „Extummharm Inc 2024“, „Prospect“. https://ir.xtalpi.com/media/uopbz44q/2024060400059.pdf
(VIII) „Globaldata“: 2025 m. Vasario 20 d. Analitiko instruktažas. https://pharma.globaldata.com/analysis/details/using-artificial-intelligence-to-enhance-regenerative-medicine
* https://investor.veradigm.com/news-releases/news-release-details/veradigm-advances-glp-1-real-world-evidence-generation-ai-aiven
