AIによる創薬が爆発的に進んでいます。
誇張されているかどうかにかかわらず、AI 創薬への投資は 2014 年の 4 億 5,000 万ドルから 2021 年にはなんと 580 億ドルに跳ね上がりました。バイエル、アストラゼネカ、武田薬品、サノフィ、メルク、ファイザーを含むすべての製薬大手は、コスト効率、スピード、精度をプロセスにもたらす新時代の AI ソリューション。
従来の創薬は長い間困難であることが知られていました。新薬を市場に出すには、少なくとも 10 年かかり、 13 億ドルの費用がかかります。そして、これは臨床試験で成功した薬の場合にのみ当てはまります (成功するのは 10 分の 1 だけです)。
したがって、医薬品を発見して設計する新しい方法を見つけることに関心があります。
AI はすでに有望な治療法の候補を特定するのに役立っており、数年もかからず、数か月、さらには数日もかかりませんでした。
この記事では、AI 創薬が業界をどのように変えているかを探ります。成功事例、AI の利点、および制限について見ていきます。行こう。
創薬プロセスは通常、科学者が病気に関与する特定のタンパク質やホルモンなどの体内の標的を特定することから始まります。次に、次のようなさまざまな方法を使用して、可能な解決策である医薬品候補を見つけます。
潜在的な薬剤候補 (リード化合物と呼ばれる) が見つかると、それを細胞または動物でテストした後、健康なボランティアの小さなグループから始めて、次は病気に苦しむ患者のより大きなグループに進む、3 つのフェーズを含む臨床試験に進みます。特定の条件。
人工知能は、高度な計算方法を使用して、視覚、音声認識、意思決定、言語理解などの人間の知性の要素を模倣するさまざまなテクノロジとアプローチをカバーしています。
AI は 1950 年代に単純な一連の「if, then ルール」として始まり、より複雑なアルゴリズムが開発されてから 20 年後に医療に導入されました。 2000 年代にディープ ラーニングが登場して以来、ヘルスケアにおける AI アプリケーションは拡大してきました。
いくつかの AI テクノロジーが医薬品の設計に力を与えています。
機械学習 (ML)は、コンピューター アルゴリズムをトレーニングしてデータから学習し、そのパフォーマンスを向上させることに重点を置いています。明示的にプログラムする必要はありません。
ML ソリューションにはさまざまなブランチが含まれており、それぞれに独自の特徴と方法論があります。これらのブランチには、教師あり学習と教師なし学習、および強化学習が含まれ、それぞれに、線形回帰、ニューラル ネットワーク、サポート ベクター マシンなど、特定の目標を達成するために使用されるさまざまなアルゴリズム手法があります。 ML にはさまざまな応用分野があり、そのうちの 1 つは AI 創薬の分野で、次のことが可能になります。
ディープ ラーニング (DL) は、人工ニューラル ネットワーク (ANN) の使用に基づく ML のサブセットです。 ANN は、「シナプス」と呼ばれる経路によって接続された相互接続されたノードまたは「ニューロン」で構成されています。人間の脳と同様に、これらのニューロンは連携して情報を処理し、予測や決定を下します。ニューラル ネットワークは、相互接続されたニューロンの層が多いほど、「深く」なります。
構造化データ内のパターンのみを識別できる教師ありおよび半教師ありの学習アルゴリズムとは異なり、DL モデルは、膨大な量の非構造化データを処理し、人間からの監督をほとんど受けずに、より高度な予測を行うことができます。
AI創薬では、DLは次の目的で使用されます。
NLP は、人間の言語を分析、理解、生成するために、言語学、数学、コンピューター サイエンス (DL モデルを含む) の手法の組み合わせに依存しています。 AI 創薬研究では、多くの場合、NLP を使用して構造化データと非構造化データの両方から情報を抽出し、次のことを達成します。
ここ数年、製薬業界の企業は AI を自社の研究方法に組み込むための措置を講じてきました。これには、社内の AI チームの構築、 AI ヘルスケアの専門家とデータ アナリストの雇用、AI に焦点を当てたスタートアップの支援、テクノロジー企業や研究センターとの提携が含まれます。
さまざまな要因が組み合わさって、この傾向が進んでいます。
最近の技術の進歩により、AI 創薬研究の従来の焦点が変わりました。
この分野の企業の大部分 ( BiopharmaTrend AI Reportによると、2022 年には約 150 社) は、計算による表現と大規模な比較が容易な低分子の設計に忙殺され続けているため、AI の新しいアプリケーションへの関心も高まっています。創薬で。
多くの企業が、生物製剤の設計 (77 社) や疾患の存在または進行を示すバイオマーカーの発見 (59 社) に AI を採用し始めています。また、包括的な AI 創薬プラットフォームの構築、新しいターゲットの特定、またはオントロジー (化合物、タンパク質、疾患などのさまざまなエンティティ間の関係の構造化された表現) の作成に焦点を当てている人もいます。
AI 人材の不足は衰える兆しを見せていないため、AI 創薬への参入障壁は実際に低下しています。テクノロジー ベンダーや大手製薬会社は、ますます高度化する AI プラットフォームをリリースしています。これには、AI の専門家でなくても人工知能を研究に統合できるようにする、すぐに使用できるコード不要のドラッグ アンド ドロップ システムが含まれます。これらの開発は、業界による AI の採用の加速に大きな役割を果たしています。
学界と産業界で進められている AI 創薬プロジェクトは、創薬のバリュー チェーン全体で最初の成功した結果をすでに生み出しています。例は次のとおりです。
AI は、製薬業界に革命を起こす可能性を秘めた強力なツールです。膨大な量のデータを分析して予測を行う能力を備えた人工知能は、以下を可能にすることで、研究者が創薬プロセスを長い間妨げてきた障害を克服するのに役立ちます。
Insider Intelligence によると、AI は製薬業界の創薬コストを最大 70% 節約できます。創薬における AI の可能性は非常に魅力的ですが、AI を最大限に活用するには、まず解決しなければならない障害がいくつかあります。
AIに関して言えば、それは常に入力データに帰着します。統合を許さないデータ サイロとレガシー システムは、あらゆる分野での AI 研究の大きなハードルです。製薬業界では、この問題はさらに顕著になる可能性があります。
製薬会社は伝統的に、臨床研究からの結果であろうと匿名化された患者情報の結果であろうと、データの共有が苦手でしたが、彼らが持っているデータの山は、元の研究者が決して考えなかった質問への答えを提供するかもしれません.
最終的にデータを共有することになると、創薬に不可欠なタンパク質-リガンド結合親和性を予測するために使用されるデータセットの場合のように、不完全、一貫性がない、または偏っていることがよくあります。場合によっては、データが母集団全体を反映していない可能性があり、AI モデルは現実世界のシナリオでは不十分である可能性があります。
生物学的システムは非常に複雑であるため、AI を利用した分析と、その行動の時間的および空間的変化の予測は困難です。
生物学的システム内には、膨大な数の複雑で動的な相互作用があり、タンパク質、遺伝子、細胞などの各要素が複数の機能を持ち、遺伝的変異、環境条件、病状などの複数の要因の影響を受ける可能性があります。
異なる要素間の相互作用も非線形になる可能性があります。つまり、1 つの要素の小さな変化がシステム全体に大きな変化をもたらす可能性があります。たとえば、細胞分裂を制御する単一の遺伝子が腫瘍の成長に大きな影響を与えたり、複数のタンパク質間の相互作用が細胞の細胞骨格などの非常に特異的で複雑な構造の発生につながる可能性があります。
もう 1 つの課題は、AI 創薬ツールを扱う資格のあるスタッフが不足していることです。
AI 創薬におけるニューラル ネットワークの使用は、可能性の限界を押し広げましたが、その解釈可能性の欠如が大きな課題となっています。ブラック ボックスと呼ばれるこのような AI モデルは、可能な限り最も正確な予測を生成する可能性がありますが、エンジニアでさえその背後にある理由を説明することはできません。これは、各レイヤーの出力を理解する複雑さがレイヤーの数が増えるにつれてエスカレートする深層学習では特に困難です。
この透明性の欠如は、欠陥のあるソリューションにつながり、研究者、医療専門家、規制機関の間で AI への信頼を低下させる可能性があります。この課題に対処するために、説明可能で信頼できる AI を開発する必要性が高まっています。
患者の状況を一変させる新薬が続々と登場しています。
1980 年代に HIV が AIDS の原因として特定されてからわずか 15 年後、製薬業界は、ウイルスに感染した人々が通常の寿命を延ばすことを可能にする多剤療法を開発しました。ノバルティスのグリベックは、白血病患者の寿命を延ばします。 Vertex Pharmaceuticals の Incivek は、C 型肝炎の治癒率を 2 倍にしました。メルクのキイトルーダは、患者が黒色腫を切除する手術を受けた後に癌が再発するリスクを 35% 低減します。
しかし、すべての新薬が同じように作られるわけではありません。
ドイツで実施された 200 を超える新薬の最近の分析では、既存の治療法よりも有意な利点を提供したのは 25% のみであることが明らかになりました。残りの薬は、最小限の利益しか得られなかったか、まったく効果がなかったか、影響が不確かでした。
創薬のコストと時間のかかる性質を考えると、製薬業界が大きな変化を必要としていることは明らかです。そこでAI創薬が役割を果たすことができます。人工知能が診療までの時間を短縮するだけでなく、変革に貢献できる可能性は十分にあります。
独自の AI 創薬プロジェクトについて考えていますか?ご連絡ください。ヘルスケア向けの AI ソリューションの作成における長年の経験を持つ当社は、お客様の適切なパートナーです。