AI-første lægemiddelopdagelse: Kan robotter hjælpe videnskabsmænd med at opdage nye lægemidler?

• Forfatter:
• Forfatter navn

  Quantumrun Foresight
• August 22, 2022

Oversigt over indsigt

Høje omkostninger og fejlrater inden for traditionel lægemiddeludvikling presser medicinalvirksomheder til at investere i kunstig intelligens (AI) teknologier for at øge forskningseffektiviteten og sænke omkostningerne. AI transformerer industrien ved hurtigt at identificere nye lægemiddelmål og muliggøre personaliserede behandlinger. Dette skift mod AI omformer det farmaceutiske landskab, fra skiftende jobkrav til kemikere til at sætte gang i debatter om AI's intellektuelle ejendomsrettigheder.

AI-første lægemiddel opdagelse kontekst

Det typiske lægemiddeludviklingsprojekt koster 2.6 milliarder USD. Presset er højt for videnskabsmænd, da 9 ud af 10 kandidatterapier ikke når regulatoriske godkendelser. Som følge heraf investerer medicinalvirksomheder aggressivt i AI-platforme i løbet af 2020'erne for at øge forskningseffektiviteten og samtidig reducere omkostningerne. 

Forskellige AI-teknologier bruges til lægemiddelopdagelse, herunder maskinlæring (ML), naturlig sprogbehandling (NLP) og computersyn. ML analyserer data fra forskellige kilder, herunder videnskabelig litteratur, kliniske forsøg og patientjournaler. Denne information kan derefter bruges til at identificere mønstre, der kan foreslå nye lægemiddelmål eller føre til udvikling af mere effektive behandlinger. NLP, en sprogbaseret prædiktiv model, bruges til at mine data fra videnskabelig litteratur, som kan fremhæve nye måder, som eksisterende lægemidler kan udvikles på. Endelig analyserer computersyn billeder af celler og væv, som kan identificere ændringer forbundet med sygdomme.

Et eksempel på en farmavirksomhed, der bruger kunstig intelligens til at udvikle nye lægemidler, er Pfizer, som anvender IBM Watson, et ML-system, der i vid udstrækning kan forske i immunonkologisk medicin. I mellemtiden har Frankrig-baserede Sanofi indgået partnerskab med den britiske startup Exscientia for at skabe en AI-platform til at lede efter behandlinger for metaboliske sygdomme. Det schweiziske Roche-datterselskab Genentech bruger et AI-system fra USA-baserede GNS Healthcare til at lede eftersøgningen efter kræftbehandlinger. I Kina sikrede biotekstartup Meta Pharmaceuticals en startfinansiering på USD 15 millioner til at udvikle autoimmune sygdomsbehandlinger ved hjælp af AI. Virksomheden blev inkuberet af et andet AI-assisteret lægemiddelopdagelsesfirma, Xtalpi.

Forstyrrende påvirkning

Den måske mest praktiske anvendelse af AI-første lægemiddelopdagelse var udviklingen af ​​det første terapeutiske lægemiddel til COVID-19, en antiviral medicin kaldet Remdesivir. Lægemidlet blev oprindeligt identificeret som en mulig behandling for virussen af ​​forskere ved Gilead Sciences, et bioteknologisk firma i Californien, ved hjælp af AI. Virksomheden brugte en algoritme til at analysere data fra GenBank-databasen, som indeholder information om alle offentligt tilgængelige DNA-sekvenser.

Denne algoritme identificerede to mulige kandidater, som Gilead Sciences syntetiserede og testede mod COVID-19-virussen i en laboratorieskål. Begge kandidater viste sig at være effektive mod virussen. En af disse kandidater blev derefter udvalgt til yderligere udvikling og test i dyr og mennesker. Remdesivir blev i sidste ende fundet at være sikkert og effektivt og blev godkendt til brug af US Food and Drug Administration (FDA).

Siden da har virksomheder og organisationer samarbejdet om at finde flere COVID-19-behandlinger ved hjælp af AI-systemer. I 2021 gik 10 virksomheder sammen for at skabe IMPECCABLE (Integrated Modeling PipelinE for COVID Cure by Assessing Better Leads). Disse organisationer omfatter Rutgers University, University College London, US Department of Energy, Leibniz Supercomputing Center og NVIDIA Corporation.

Projektet er en AI-simuleringspipeline, der lover at fremskynde screeningen af ​​potentielle COVID-19 lægemiddelkandidater 50,000 gange hurtigere end nuværende metoder. IMPECCABLE kombinerer forskellige databehandlinger, fysikbaseret modellering og simulering og ML-teknologier for at skabe en AI, der bruger mønstre i data til at bygge prædiktive modeller. I modsætning til den typiske metode, hvor videnskabsmænd skal tænke grundigt og udvikle molekyler baseret på deres viden, giver denne pipeline forskere mulighed for automatisk at screene et stort antal kemikalier, hvilket dramatisk øger sandsynligheden for at finde en sandsynlig kandidat.

Implikationer af AI-first drug discovery

De bredere implikationer af industriens indførelse af AI-first drug discovery-metodologier kan omfatte: 

• AI-platforme, der påtager sig opgaver, der traditionelt varetages af kemikere i den tidlige karriere, hvilket nødvendiggør, at disse fagfolk tilegner sig nye færdigheder eller skifter karriereveje.
• Store farmaceutiske virksomheder, der beskæftiger robotforskere til at gennemsøge omfattende genetiske, sygdoms- og behandlingsdata, hvilket accelererer udviklingen af ​​terapi.
• En stigning i partnerskaber mellem bioteknologiske startups og etablerede farmavirksomheder til AI-assisteret lægemiddelopdagelse, hvilket tiltrækker flere investeringer fra sundhedsenheder.
• Facilitering af skræddersyede medicinske behandlinger til personer med unikke biologiske egenskaber, især dem med ualmindelige autoimmune lidelser.
• Intensiverede regulatoriske diskussioner om AI's intellektuelle ejendomsrettigheder til lægemiddelopdagelser og ansvarlighed for AI-relaterede fejl i den farmaceutiske sektor.
• Sundhedsindustrien oplever betydelige omkostningsreduktioner i lægemiddeludvikling, hvilket giver mulighed for mere overkommelige medicinpriser for forbrugerne.
• Beskæftigelsesdynamikken i den farmaceutiske sektor skifter, med vægt på datavidenskab og AI-ekspertise frem for traditionel farmaceutisk viden.
• Potentiale for forbedrede globale sundhedsresultater på grund af hurtigere og mere effektive lægemiddelopdagelsesprocesser, især i udviklingslande.
• Regeringer, der muligvis vedtager politikker for at sikre lige adgang til AI-opdaget medicin, forhindrer monopoler og fremmer bredere sundhedsmæssige fordele.
• Miljøpåvirkningerne mindskes, da AI-drevet lægemiddelopdagelse reducerer behovet for ressourcekrævende laboratorieeksperimenter og -forsøg.

Spørgsmål at overveje

• Hvordan tror du ellers AI-first drug discovery vil ændre sundhedsvæsenet?
• Hvad kan regeringer gøre for at regulere udviklingen af ​​AI-første lægemidler, især prissætning og tilgængelighed?