AI-första läkemedelsupptäckt: Kan robotar hjälpa forskare att upptäcka nya läkemedel?

• Författare:
• författarnamn

  Quantumrun Framsyn
• Augusti 22, 2022

Insiktssammanfattning

Höga kostnader och misslyckanden inom traditionell läkemedelsutveckling driver läkemedelsföretagen att investera i artificiell intelligens (AI)-teknik för att öka forskningseffektiviteten och sänka kostnaderna. AI förändrar branschen genom att snabbt identifiera nya läkemedelsmål och möjliggöra personliga behandlingar. Denna förändring mot AI omformar det farmaceutiska landskapet, från förändrade jobbkrav för kemister till att väcka debatter om AI:s immateriella rättigheter.

Kontext för upptäckt av AI-läkemedel

Det typiska läkemedelsutvecklingsprojektet kostar 2.6 miljarder USD. Trycket är högt för forskare, eftersom 9 av 10 kandidatterapier inte når myndighetsgodkännanden. Som ett resultat investerar läkemedelsföretag aggressivt i AI-plattformar under 2020-talet för att öka forskningseffektiviteten samtidigt som kostnaderna minskar. 

Olika AI-teknologier används i läkemedelsupptäckt, inklusive maskininlärning (ML), naturlig språkbehandling (NLP) och datorseende. ML analyserar data från olika källor, inklusive vetenskaplig litteratur, kliniska prövningar och patientjournaler. Denna information kan sedan användas för att identifiera mönster som kan föreslå nya läkemedelsmål eller leda till utveckling av mer effektiva behandlingar. NLP, en språkbaserad prediktiv modell, används för att bryta data från vetenskaplig litteratur, som kan lyfta fram nya sätt att utveckla befintliga läkemedel. Slutligen analyserar datorseende bilder av celler och vävnader, vilket kan identifiera förändringar i samband med sjukdomar.

Ett exempel på ett läkemedelsföretag som använder AI för att utveckla nya läkemedel är Pfizer, som använder IBM Watson, ett ML-system som i stor utsträckning kan forska på immunonkologiska läkemedel. Samtidigt har Frankrike-baserade Sanofi samarbetat med den brittiska startupen Exscientia för att skapa en AI-plattform för att leta efter terapier för metabola sjukdomar. Det schweiziska företaget Roches dotterbolag Genentech använder ett AI-system från USA-baserade GNS Healthcare för att leda sökandet efter cancerbehandlingar. I Kina säkrade bioteknikföretaget Meta Pharmaceuticals en startfinansiering på 15 miljoner USD för att utveckla behandlingar för autoimmuna sjukdomar med hjälp av AI. Företaget inkuberades av ett annat AI-assisterat läkemedelsupptäcktsföretag, Xtalpi.

Störande inverkan

Den kanske mest praktiska tillämpningen av AI-första läkemedelsupptäckten var utvecklingen av det första terapeutiska läkemedlet mot COVID-19, ett antiviralt läkemedel som heter Remdesivir. Läkemedlet identifierades initialt som en möjlig behandling av viruset av forskare vid Gilead Sciences, ett bioteknikföretag i Kalifornien, med hjälp av AI. Företaget använde en algoritm för att analysera data från GenBank-databasen, som innehåller information om alla allmänt tillgängliga DNA-sekvenser.

Denna algoritm identifierade två möjliga kandidater, som Gilead Sciences syntetiserade och testade mot COVID-19-viruset i en labbskål. Båda kandidaterna visade sig vara effektiva mot viruset. En av dessa kandidater valdes sedan ut för vidareutveckling och testning på djur och människor. Remdesivir visade sig i slutändan vara säkert och effektivt och godkändes för användning av US Food and Drug Administration (FDA).

Sedan dess har företag och organisationer samarbetat för att hitta fler covid-19-behandlingar med hjälp av AI-system. 2021 gick 10 företag samman för att skapa IMPECCABLE (Integrated Modeling PipelinE for COVID Cure by Assessing Better Leads). Dessa organisationer inkluderar Rutgers University, University College London, US Department of Energy, Leibniz Supercomputing Center och NVIDIA Corporation.

Projektet är en AI-simuleringspipeline som lovar att påskynda screeningen av potentiella COVID-19-läkemedelskandidater 50,000 XNUMX gånger snabbare än nuvarande metoder. IMPECCABLE kombinerar olika databearbetning, fysikbaserad modellering och simulering och ML-teknologier för att skapa en AI som använder mönster i data för att bygga prediktiva modeller. Till skillnad från den typiska metoden, där forskare måste tänka noga och utveckla molekyler baserat på sin kunskap, tillåter denna pipeline forskare att automatiskt screena ett stort antal kemikalier, vilket dramatiskt ökar sannolikheten att hitta en trolig kandidat.

Implikationer av AI-första läkemedelsupptäckten

Vidare konsekvenser av industrins antagande av AI-första läkemedelsupptäcktsmetoder kan inkludera: 

• AI-plattformar som tar på sig uppgifter som traditionellt hanteras av kemister i tidiga karriärer, vilket kräver att dessa proffs skaffar sig nya färdigheter eller byter karriärvägar.
• Stora läkemedelsföretag som anställer robotforskare för att ta reda på omfattande genetiska, sjukdoms- och behandlingsdata, vilket påskyndar terapiutvecklingen.
• En ökning av partnerskap mellan nystartade bioteknikföretag och etablerade läkemedelsföretag för AI-stödd läkemedelsupptäckt, vilket lockar fler investeringar från sjukvårdsenheter.
• Underlättandet av skräddarsydda medicinska behandlingar för individer med unika biologiska egenskaper, särskilt de med ovanliga autoimmuna sjukdomar.
• Intensifierade regulatoriska diskussioner om AI:s immateriella rättigheter vid upptäckt av läkemedel och ansvar för AI-relaterade fel inom läkemedelssektorn.
• Sjukvårdsindustrin upplever betydande kostnadsminskningar i läkemedelsutveckling, vilket möjliggör mer överkomliga läkemedelspriser för konsumenterna.
• Sysselsättningsdynamiken inom läkemedelssektorn förändras, med tonvikt på datavetenskap och AI-expertis framför traditionell farmaceutisk kunskap.
• Potential för förbättrade globala hälsoresultat tack vare snabbare och effektivare läkemedelsupptäcktsprocesser, särskilt i utvecklingsländer.
• Regeringar kan eventuellt anta policyer för att säkerställa rättvis tillgång till AI-upptäckta mediciner, förhindra monopol och främja bredare hälsofördelar.
• Miljöpåverkan minskar eftersom AI-driven läkemedelsupptäckt minskar behovet av resurskrävande laboratorieexperiment och prövningar.

Frågor att överväga

• Hur tror du annars att AI-first drug discovery kommer att förändra vården?
• Vad kan regeringar göra för att reglera utvecklingen av AI-först läkemedel, särskilt prissättning och tillgänglighet?