Phát hiện thuốc AI đang bùng nổ. Dù được thổi phồng quá mức hay không, các khoản đầu tư vào khám phá thuốc AI từ 450 triệu đô la vào năm 2014 lên con số khổng lồ 58 tỷ đô la vào năm 2021. Tất cả các đại gia dược phẩm, bao gồm Bayer, AstraZeneca, Takeda, Sanofi, Merck và Pfizer, đã tăng cường chi tiêu với hy vọng sẽ mang lại hiệu quả chi phí, tốc độ và độ chính xác cho quy trình. đã tăng tạo ra các giải pháp AI thời đại mới Khám phá thuốc truyền thống từ lâu đã nổi tiếng là khó khăn. Phải mất và tiêu tốn để đưa một loại thuốc mới ra thị trường. Và đây chỉ là trường hợp đối với các loại thuốc thành công trong các thử nghiệm lâm sàng (chỉ một phần mười thành công). ít nhất 10 năm 1,3 tỷ đô la Do đó, chúng tôi quan tâm đến việc tìm ra những cách thức mới để khám phá và thiết kế các loại thuốc. AI đã giúp xác định các liệu pháp ứng cử viên đầy triển vọng và không mất nhiều năm, mà là vài tháng hoặc thậm chí vài ngày. Trong bài viết này, chúng ta sẽ khám phá cách khám phá thuốc AI đang thay đổi ngành công nghiệp. Chúng ta sẽ xem xét những câu chuyện thành công, lợi ích và hạn chế của AI. Đi nào. Thuốc được phát hiện như thế nào Quá trình khám phá thuốc thường bắt đầu với việc các nhà khoa học xác định mục tiêu trong cơ thể, chẳng hạn như một loại protein hoặc hormone cụ thể, có liên quan đến căn bệnh này. Sau đó, họ sử dụng các phương pháp khác nhau để tìm ra giải pháp khả thi, một ứng cử viên thuốc, bao gồm: : Các nhà khoa học có thể sàng lọc thư viện các hợp chất (sản phẩm tự nhiên hoặc hóa chất) mà họ đã tạo ra trước đây, để kiểm tra xem có hợp chất nào trong số chúng có hoạt động hoặc tương tác mong muốn với mục tiêu hay không. Sàng lọc các hợp chất hiện có mới : Họ có thể sử dụng mô hình máy tính và mô phỏng để phát triển các hợp chất hóa học mới có thể thực hiện công việc. Cách tiếp cận này được sử dụng để tạo ra các loại thuốc phân tử nhỏ, là các hợp chất được tổng hợp hóa học có kích thước nhỏ hơn 1.500 dalton. Thiết kế thuốc : Các nhà nghiên cứu cũng có thể tạo ra các phân tử sinh học như kháng thể, enzym hoặc protein để hoạt động như thuốc. Điều này liên quan đến việc cô lập hoặc tổng hợp các phân tử từ các sinh vật sống có thể tương tác với mục tiêu. So với các phân tử nhỏ, các phân tử như vậy thường lớn hơn và phức tạp hơn. Sinh học sử dụng: Các nhà khoa học có thể xem xét các hợp chất đã được phát triển cho mục đích khác và xem liệu chúng có tiềm năng điều trị căn bệnh đang được đề cập hay không. Tái Sau khi tìm thấy một loại thuốc tiềm năng (được gọi là hợp chất chì), nó sẽ được thử nghiệm trên tế bào hoặc động vật, trước khi chuyển sang thử nghiệm lâm sàng bao gồm ba giai đoạn, bắt đầu với các nhóm nhỏ tình nguyện viên khỏe mạnh, sau đó tiến hành với các nhóm bệnh nhân lớn hơn mắc bệnh. điều kiện cụ thể. AI được ứng dụng như thế nào liên quan đến việc sử dụng các phương pháp tính toán tinh vi để bắt chước các yếu tố của trí thông minh con người như nhận thức thị giác, nhận dạng giọng nói, ra quyết định và hiểu ngôn ngữ. Trí tuệ nhân tạo bao gồm các công nghệ và cách tiếp cận khác nhau AI bắt đầu từ những năm 1950 dưới dạng một chuỗi đơn giản “nếu, thì các quy tắc” và được đưa vào lĩnh vực chăm sóc sức khỏe hai thập kỷ sau đó sau khi các thuật toán phức tạp hơn được phát triển. Kể từ khi deep learning ra đời vào những năm 2000, đã được mở rộng. các ứng dụng AI trong chăm sóc sức khỏe Một vài công nghệ AI đang trao quyền cho việc thiết kế thuốc. Học máy tập trung vào đào tạo các thuật toán máy tính để học từ dữ liệu và cải thiện hiệu suất của chúng mà không được lập trình rõ ràng. Học máy (ML) Các giải pháp ML bao gồm một loạt các nhánh khác nhau, mỗi nhánh có các đặc điểm và phương pháp riêng. Các nhánh này bao gồm học có giám sát và không giám sát, cũng như học tăng cường và trong mỗi nhánh, có nhiều kỹ thuật thuật toán khác nhau được sử dụng để đạt được các mục tiêu cụ thể, chẳng hạn như hồi quy tuyến tính, mạng thần kinh và máy vectơ hỗ trợ. ML có nhiều lĩnh vực ứng dụng khác nhau, một trong số đó là lĩnh vực khám phá thuốc AI, nơi nó cho phép những điều sau: Sàng lọc ảo các hợp chất để xác định các ứng cử viên thuốc tiềm năng Mô hình dự đoán về hiệu quả và độc tính của thuốc Xác định các mục tiêu mới để phát triển thuốc Phân tích dữ liệu bộ gen và protein quy mô lớn được thu thập từ các sinh vật sống (trình tự DNA, mức độ biểu hiện gen, cấu trúc protein, v.v.) Tối ưu hóa liều lượng thuốc và phác đồ điều trị Mô hình dự đoán phản ứng của bệnh nhân đối với điều trị Học kĩ càng Deep Learning (DL) là một tập hợp con của ML dựa trên việc sử dụng mạng thần kinh nhân tạo (ANN). ANN được tạo thành từ các nút liên kết với nhau, hay còn gọi là “nơ-ron”, được kết nối bằng các đường dẫn, được gọi là “khớp thần kinh”. Giống như trong não người, các tế bào thần kinh này phối hợp với nhau để xử lý thông tin và đưa ra dự đoán hoặc quyết định. Mạng nơ-ron càng có nhiều lớp nơ-ron liên kết với nhau thì càng “sâu” hơn. Không giống như các thuật toán học có giám sát và bán giám sát chỉ có thể xác định các mẫu trong dữ liệu có cấu trúc, các mô hình DL có khả năng xử lý khối lượng lớn và đưa ra các dự đoán nâng cao hơn mà không cần sự giám sát của con người. dữ liệu phi cấu trúc Trong khám phá thuốc AI, DL được sử dụng cho: Cải thiện sàng lọc ảo các thư viện hỗn hợp để xác định các lần truy cập có xác suất liên kết với mục tiêu cao hơn Hồ sơ dựa trên hình ảnh để hiểu các kiểu hình liên quan đến bệnh, cơ chế bệnh hoặc độc tính của thuốc Dự đoán chính xác hơn về cách một loại thuốc sẽ được hấp thụ, phân phối, chuyển hóa và bài tiết ra khỏi cơ thể (đặc tính dược động học) Dự đoán tương tác thuốc-mục tiêu và ái lực ràng buộc Dự đoán cấu trúc của protein chiếm hầu hết các mục tiêu thuốc hiện được xác định Tạo ra các hợp chất giống như thuốc mới với các đặc tính vật lý, hóa học và hoạt tính sinh học mong muốn và thiết kế giao thức Tự động hóa quy trình thử nghiệm lâm sàng Xử lý ngôn ngữ tự nhiên (NLP) NLP dựa trên sự kết hợp của các kỹ thuật từ ngôn ngữ học, toán học và khoa học máy tính, bao gồm các mô hình DL, để phân tích, hiểu và tạo ra ngôn ngữ của con người. Nghiên cứu khám phá thuốc AI thường sử dụng NLP để trích xuất thông tin từ cả dữ liệu có cấu trúc và phi cấu trúc để thực hiện những điều sau: Khai thác văn bản tài liệu khoa học để xác định mối liên hệ giữa các thực thể hóa chất/thuốc, mục tiêu của chúng và các con đường liên quan đến bệnh mới Trích xuất thông tin có cấu trúc từ hồ sơ sức khỏe điện tử phi cấu trúc (EHRs), chẳng hạn như nhân khẩu học, chẩn đoán và thuốc của bệnh nhân Xác định các biến cố bất lợi của thuốc bằng cách phân tích dữ liệu văn bản từ phương tiện truyền thông xã hội, tin tức và các nguồn khác Xác định tiêu chí đủ điều kiện tham gia thử nghiệm lâm sàng dựa trên các giao thức và kết hợp bệnh nhân với các thử nghiệm Tổng hợp thông tin thuốc Tại sao khám phá thuốc AI là chủ đề bàn tán của thị trấn bây giờ Trong vài năm qua, các công ty trong lĩnh vực dược phẩm đã thực hiện các bước để kết hợp AI vào các phương pháp nghiên cứu của họ. Điều này bao gồm xây dựng các nhóm AI nội bộ, và , hỗ trợ các công ty khởi nghiệp tập trung vào AI và hợp tác với các công ty công nghệ hoặc trung tâm nghiên cứu. thuê các chuyên gia chăm sóc sức khỏe AI nhà phân tích dữ liệu Một sự kết hợp của các yếu tố đang thúc đẩy xu hướng này. Sức mạnh ngày càng tăng của máy tính và sự phát triển AI mới Những tiến bộ công nghệ gần đây đã thay đổi trọng tâm truyền thống của nghiên cứu khám phá thuốc AI. Do phần lớn các công ty trong lĩnh vực này (khoảng 150 công ty vào năm 2022 theo ) tiếp tục bận rộn với việc thiết kế các phân tử nhỏ, dễ biểu diễn bằng máy tính và so sánh trên quy mô lớn, nên người ta cũng ngày càng quan tâm đến các ứng dụng mới của AI. trong khám phá thuốc. Báo cáo AI của BiopharmaTrend Nhiều công ty đang bắt đầu sử dụng AI để thiết kế sinh học (77 công ty) và khám phá các dấu ấn sinh học cho thấy sự hiện diện hoặc tiến triển của bệnh (59). Những người khác tập trung vào việc xây dựng các nền tảng khám phá thuốc AI toàn diện, xác định các mục tiêu mới hoặc tạo bản thể luận - các biểu diễn có cấu trúc về mối quan hệ giữa các thực thể khác nhau như hợp chất hóa học, protein và bệnh tật. Mở rộng quyền truy cập vào các công cụ AI Khi sự thiếu hụt tài năng AI không có dấu hiệu giảm bớt, các rào cản gia nhập đối với việc khám phá thuốc AI đã thực sự giảm bớt. Các nhà cung cấp công nghệ và gã khổng lồ dược phẩm đang phát hành các nền tảng AI ngày càng tinh vi, bao gồm các hệ thống kéo và thả không mã sẵn sàng sử dụng cho phép các chuyên gia không phải AI tích hợp trí tuệ nhân tạo vào nghiên cứu của họ. Những phát triển này đang đóng một vai trò quan trọng trong việc thúc đẩy ngành công nghiệp áp dụng AI. Câu chuyện thành công nhờ AI Các dự án khám phá thuốc AI được theo đuổi trong giới học thuật và ngành công nghiệp đã tạo ra những kết quả thành công đầu tiên trong chuỗi giá trị khám phá thuốc. Những ví dụ bao gồm: DeepMind đã xây dựng hệ thống AI AlphaFold có thể dự đoán cấu trúc 3D của protein từ chuỗi axit amin một chiều của nó trong vài giây thay vì vài tháng hoặc vài năm như thông thường. Hệ thống này được sử dụng để dự đoán hơn 200 triệu cấu trúc protein thuộc về động vật, thực vật, vi khuẩn, nấm và các sinh vật khác. Các nhà nghiên cứu của Đại học Washington đã phát triển một mô hình học sâu sử dụng máy tính chơi game để tính toán cấu trúc protein trong vòng 10 phút. Deep Genomics đã sử dụng công nghệ AI để sàng lọc hơn 2.400 bệnh và 100.000 đột biến nhằm dự đoán chính xác cơ chế gây bệnh trong đột biến bệnh Wilson và tạo ra thuốc DG12P1 trong 18 tháng. Aladdin đã phát hành một nền tảng khám phá thuốc AI độc quyền để sử dụng cho mục đích thương mại trong sàng lọc ảo, tìm kiếm khách hàng tiềm năng, tối ưu hóa khách hàng tiềm năng và giai đoạn tiền lâm sàng. Nền tảng này đã giúp Aladdin xác định một số hợp chất thuốc để điều trị các bệnh liên quan đến tuổi tác. IBM đã phát triển hệ thống Watson với khả năng điện toán nhận thức được ngành dược phẩm sử dụng để kết hợp bệnh nhân với các thử nghiệm lâm sàng phù hợp với tình trạng của họ. Trong một thử nghiệm lâm sàng đối với bệnh ung thư vú, nền tảng này đã chứng minh tỷ lệ đăng ký tham gia tăng 80% và giảm thời gian khớp thử nghiệm. Chỉ mất chưa đầy ba tháng để AbCellera phát triển một kháng thể đơn dòng để vô hiệu hóa các biến thể virus của COVID-19 và được Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) chấp thuận. BenevolentAI đã kết hợp sơ đồ tri thức của mình với các công cụ AI để khám phá baricitinib như một phương pháp điều trị COVID-19 tiềm năng trong vài ngày tới. BioXcel Therapeutics đã đẩy nhanh việc phát hiện ra dexmedetomidine như một loại thuốc an thần cho bệnh nhân tâm thần phân liệt và rối loạn lưỡng cực. Công ty đã được FDA chấp thuận cho bộ phim dexmedetomidine (IgalmiTM) ngậm dưới lưỡi độc quyền của mình trong vòng chưa đầy bốn năm sau cuộc thử nghiệm đầu tiên trên người. Sử dụng AI, Exscientia đã thiết kế ba phân tử nhỏ để đưa vào thử nghiệm lâm sàng trong khoảng thời gian hai năm (để điều trị chứng rối loạn tâm thần do bệnh Alzheimer, rối loạn ám ảnh cưỡng chế và ung thư miễn dịch). Vào đầu năm 2023, Insilico đã báo cáo các kết quả cơ bản tích cực trong thử nghiệm lâm sàng Giai đoạn 1 về phân tử mới do AI thiết kế đầu tiên cho mục tiêu mới do AI phát hiện để điều trị bệnh xơ phổi vô căn (IPF). Vào năm 2021, đã đạt đến giai đoạn lâm sàng, với các lĩnh vực trị liệu bao gồm COVID-19, ung thư và thần kinh học. 13 sản phẩm sinh học có nguồn gốc từ AI Lợi ích và thách thức trong khám phá thuốc AI AI là một công cụ mạnh mẽ hứa hẹn cách mạng hóa ngành dược phẩm. Với khả năng phân tích lượng dữ liệu khổng lồ và đưa ra dự đoán, trí tuệ nhân tạo có thể giúp các nhà nghiên cứu vượt qua những trở ngại từ lâu đã cản trở quá trình khám phá thuốc bằng cách cho phép: Giảm thời gian cho các giai đoạn khám phá và tiền lâm sàng Dự đoán chính xác hơn về hiệu quả và độ an toàn của thuốc Những hiểu biết mới, bất ngờ về tác dụng của thuốc và bệnh tật Các hướng nghiên cứu mới và các chiến lược R&D mới Tiết kiệm chi phí thông qua phân tích nhanh hơn và tự động hóa Theo Insider Intelligence, AI có thể tiết kiệm cho ngành dược phẩm tới 70% chi phí khám phá thuốc. Tiềm năng của AI trong khám phá thuốc thực sự thú vị, nhưng có một số rào cản cần được giải quyết trước tiên để khai thác tối đa tiềm năng của nó. Dữ liệu Khi nói đến AI, nó luôn liên quan đến dữ liệu đầu vào. Các silo dữ liệu và hệ thống kế thừa không cho phép hợp nhất chúng là những rào cản lớn đối với nghiên cứu AI trong bất kỳ lĩnh vực nào. Trong ngành dược phẩm, vấn đề có thể còn rõ rệt hơn. , có thể là kết quả từ các nghiên cứu lâm sàng hoặc thông tin bệnh nhân đã được xác định lại, trong khi kho dữ liệu họ có có thể cung cấp câu trả lời cho các câu hỏi mà nhà nghiên cứu ban đầu chưa bao giờ xem xét. Các công ty dược phẩm có truyền thống rất tệ trong việc chia sẻ dữ liệu Cuối cùng, khi nói đến việc chia sẻ dữ liệu, nó thường không đầy đủ, không nhất quán hoặc sai lệch, được sử dụng để dự đoán các mối quan hệ liên kết phối tử protein rất quan trọng đối với việc khám phá thuốc. Trong một số trường hợp, dữ liệu thậm chí có thể không phản ánh toàn bộ dân số và mô hình AI có thể không phù hợp trong các tình huống thực tế. như trường hợp của các bộ dữ liệu phức tạp Sự phức tạp tuyệt đối của các hệ thống sinh học khiến cho việc phân tích và dự đoán dựa trên AI về những thay đổi về thời gian và không gian trong hành vi của chúng trở nên khó khăn. Có rất nhiều tương tác phức tạp và năng động trong các hệ thống sinh học, trong đó mỗi yếu tố như protein, gen và tế bào có thể có nhiều chức năng và bị ảnh hưởng bởi nhiều yếu tố, bao gồm các biến thể di truyền, điều kiện môi trường và tình trạng bệnh tật. Tương tác giữa các phần tử khác nhau cũng có thể phi tuyến tính, nghĩa là những thay đổi nhỏ trong một phần tử có thể dẫn đến những thay đổi lớn trong toàn bộ hệ thống. Ví dụ, một gen duy nhất kiểm soát sự phân chia tế bào có thể có tác động lớn đến sự phát triển của khối u hoặc sự tương tác giữa nhiều protein có thể dẫn đến sự phát triển của các cấu trúc phức tạp và đặc biệt cao như khung tế bào của tế bào. Một thách thức khác là thiếu nhân viên có trình độ để xử lý các công cụ khám phá thuốc AI. khả năng giải thích Việc sử dụng mạng lưới thần kinh trong khám phá thuốc AI đã vượt qua ranh giới của những gì có thể, nhưng việc thiếu khả năng diễn giải của chúng đặt ra một thách thức đáng kể. Được gọi là hộp đen, các mô hình AI như vậy có thể đưa ra dự đoán chính xác nhất có thể nhưng ngay cả các kỹ sư cũng không thể giải thích lý do đằng sau chúng. Điều này đặc biệt khó khăn trong học sâu, nơi độ phức tạp của việc hiểu đầu ra của mỗi lớp tăng lên khi số lượng lớp tăng lên. Sự thiếu minh bạch này có thể dẫn đến các giải pháp thiếu sót và làm giảm niềm tin vào AI giữa các nhà nghiên cứu, chuyên gia y tế và cơ quan quản lý. Để giải quyết thách thức này, ngày càng có nhiều nhu cầu phát triển AI đáng tin cậy và có thể giải thích được. kết thúc Các loại thuốc mới đang thay đổi cuộc chơi cho bệnh nhân tiếp tục xuất hiện. Chỉ 15 năm sau khi HIV được xác định là nguyên nhân gây ra bệnh AIDS vào những năm 1980, ngành công nghiệp dược phẩm đã phát triển một liệu pháp đa thuốc cho phép những người bị ảnh hưởng bởi vi rút có thể sống một cuộc sống bình thường. Novartis 'Gleevec kéo dài cuộc sống của bệnh nhân ung thư máu Incivek từ Vertex Pharmaceuticals đã tăng gấp đôi tỷ lệ chữa khỏi bệnh viêm gan C. Keytruda của Merck giảm 35% nguy cơ ung thư tái phát sau khi bệnh nhân phẫu thuật cắt bỏ khối u ác tính. Nhưng không phải tất cả các loại thuốc mới đều được tạo ra như nhau. được thực hiện ở Đức đã tiết lộ rằng chỉ 25% mang lại lợi ích đáng kể so với các phương pháp điều trị hiện có. Các loại thuốc còn lại mang lại lợi ích tối thiểu hoặc không có lợi ích, hoặc tác động của chúng là không chắc chắn. Một phân tích gần đây về hơn 200 loại thuốc mới Do tính chất tốn kém và mất thời gian của việc khám phá thuốc, rõ ràng ngành công nghiệp dược phẩm cần những thay đổi lớn. Và đó là nơi phát hiện thuốc AI có thể đóng một vai trò. Có mọi cơ hội để trí tuệ nhân tạo có thể đóng góp mang tính chuyển đổi vượt ra ngoài việc tăng tốc thời gian đến phòng khám. Suy nghĩ về dự án khám phá thuốc AI của riêng bạn? . Với nhiều năm kinh nghiệm trong việc tạo ra các giải pháp AI cho chăm sóc sức khỏe, chúng tôi là đối tác phù hợp của bạn. Thả chúng tôi một dòng
