Одним из основных преимуществ применения ИИ на ранних стадиях открытия лекарств является то, что ИИ может выполнять виртуальный скрининг в больших масштабах или проводить несколько экспериментов одновременно, тем самым увеличивая масштабы скрининга соединений и превращая потенциальные соединения в ведущие соединения, а также скорость потенциальных методов лечения. Доктор Джим Коллинз, профессор Массачусетского технологического института, заявил в интервью команде контента WuXi AppTec, что исследователи могут обучать модели ИИ с помощью небольших библиотек соединений, а затем использовать эти модели для исследования обширных химических пространств. Это позволяет его команде завершить проверку виртуальной библиотеки соединений, содержащей миллиарды соединений, за несколько дней. Этого невозможно достичь с помощью обычных экспериментов.
Г-н Панна Шарма, генеральный директор Lantern Pharma, заявил в интервью Nature Cancer, что проект компании по исследованию и разработке противораковых препаратов, от первоначальной дыры, созданной ИИ, до первого клинического испытания на людях, занимает примерно половину времени, чем традиционные стратегии. и может снизить затраты до 80%. Другие компании, использующие ИИ для разработки лекарств, такие как Recursion и Insilico Medicine, имеют аналогичный опыт. Хотя в настоящее время искусственный интеллект не может заменить эксперименты, он может позволить исследователям быстрее проводить правильные эксперименты, тем самым повышая показатели успеха.
Одним из первых результатов применения искусственного интеллекта в лечении рака может стать повторное использование неэффективных или устаревших лекарств. Если взять в качестве примера Lantern, то ее платформа искусственного интеллекта собирает миллиарды данных, связанных с онкологией. Эти данные получены из научных исследований, клинических испытаний и баз данных. Используя машинное обучение для прогнозирования реакции пациентов на лекарства-кандидаты, искусственный интеллект может быстро обнаруживать ранее не обнаруженные новые показания или идентифицировать новые подтипы рака и их биомаркеры, которые еще не полностью охарактеризованы.
Определение эффективных комбинаций лекарств — еще одно направление применения искусственного интеллекта. В настоящее время тестирование комбинаций лекарств является сложным и трудоемким процессом, а искусственный интеллект может быстрее предсказать, какие комбинации лекарств более эффективны, анализируя данные всех клинических испытаний.
Способность генеративного ИИ настраивать новые молекулярные структуры на основе конкретных целевых характеристик для достижения конкретных терапевтических эффектов особенно интересна для его сторонников. В настоящее время генеративный ИИ продемонстрировал способность создавать новые белки или низкомолекулярные соединения с нуля на основе целевых характеристик в доклинических исследованиях. Например, команда профессора Дэвида Бейкера, лауреата Нобелевской премии, опубликовала в журнале Science статью, в которой представила усовершенствованный инструмент моделирования белков RoseTTAFold All Atom и инструмент проектирования белков RFdiffuion All Atom. RoseTTAFold All Atom позволяет ученым моделировать взаимодействия между белками и другими биомолекулами. RFdiffuion All Atom позволяет ученым с нуля создавать совершенно новые белки на основе карманов, которые связываются с конкретными соединениями, что потенциально открывает путь для разработки точных методов лечения.
С другой стороны, большинство биомолекул, созданных с помощью ИИ в текущих клинических исследованиях и разработках, по-прежнему похожи на существующие молекулы, которые были скорректированы для улучшения их селективности или снижения нецелевой токсичности.
Лекарствам-кандидатам еще предстоит продемонстрировать свою эффективность на людях, чего невозможно достичь без клинических испытаний. В процессе разработки лекарств клинические испытания занимают большую часть затрат и времени на исследования и разработки, поэтому даже небольшое повышение эффективности может иметь огромное значение.
Рекурсия использует клинические и мультиомные данные из профессиональных учреждений по сбору данных, таких как Tempus, на основе моделей искусственного интеллекта для выявления пациентов, которые могут дать наилучший ответ. Улучшение скрининга пациентов не только означает проведение исследований меньшего масштаба, но и теоретически увеличивает вероятность успеха.
Искусственный интеллект также можно использовать для обнаружения подходящих пациентов и определения оптимального места проведения исследования, тем самым максимально ускоряя набор пациентов.
