Kako proizvođači medicinske opreme pridonose bržem otkrivanju novih lijekova
Nastavite čitati da biste saznali više o umjetnoj inteligenciji prilikom otkrivanja i razvoja lijekova te kako ona omogućuje smanjenje troškova prilikom razvoja lijekova i brže primjene terapije za pacijente kojima može spasiti život.
Rastući troškovi otkrivanja i razvoja lijekova
Način na koji se zdravstveni djelatnici liječe pacijente brzo se mijenja. Precizna medicina postaje sve prisutnija kako se istraživači bave složenim zdravstvenim problemima, a farmaceutska industrija nastoji smanjiti vrijeme potrebno za razvoj lijekova koji spašavaju živote.
Trenutačno je lansiranje novog lijeka na tržište iznimno dug i skup proces za farmaceutske tvrtke. Prema tvrtki taconic bioscience, razvoj samo jednog lijeka 2019. godine stajao je oko 2,8 milijardi USD i trajao više od 12 godina. I nakon toga 90 % prijavljenih lijekova nije uspjelo dobiti odobrenje Savezne agencije za lijekove.
Dobra je vijest da umjetna inteligencija (AI) ima nevjerojatni potencijal za ubrzavanje procesa otkrivanja i razvoja lijekova.
Kako umjetna inteligencija pojednostavnjuje proces otkrivanja lijekova
Prvi korak u stvaranju većine lijekova jest sintetiziranje spojeva koji se mogu vezati i modulirati ciljnu molekulu, obično protein, koja je uzročnik bolesti. Da bi pronašli pravi spoj, istraživači pregledavaju na tisuće potencijalnih spojeva. Kada se određeni cilj identificira, istraživači probiru ogromne biblioteke sličnih spojeva da bi pronašli optimalnu interakciju s proteinom koji izaziva bolest.
Trenutno je potrebno više od deset godina i stotine milijuna dolara da bi se došlo do te točke. No medicinska tehnologija koja koristi umjetnu inteligenciju i strojno učenje može pojednostavniti taj proces, što će farmaceutskim tvrtkama skratiti vrijeme i trošak izlaska lijeka na tržište. Te tehnologije, primjerice, mogu:
Pročešljavanje biblioteka molekula
Biblioteke koje se pretražuju u pogledu mogućih molekula tako su goleme da je gotovo nemoguće da ih ljudi sami pregledaju. Umjetna inteligencija, s druge strane, može brzo prepoznati potencijalne ciljne spojeve u ogromnim skupovima podataka i istraživačima uštedjeti na stotine sati u laboratoriju.
Predviđanje svojstava spojeva
Klasični proces otkrivanja lijekova obuhvaća dugotrajno ispitivanje i pogreške. Rješenja medicinske tehnologije u kombinaciji s umjetnom inteligencijom i strojnim učenjem mogu ubrzati taj proces predviđanjem svojstava potencijalnih spojeva, čime se osigurava da se samo oni sa željenim svojstvima odabiru za sintezu. Time se istraživačima štedi rad na spojevima koji vjerojatno neće biti učinkoviti.
Stvaranje novih spojeva
Kada probir daje obećavajući rezultat, umjetna inteligencija može čak iznjedriti ideje za posve nove spojeve koji odgovaraju željenim parametrima i imaju veću vjerojatnost uspjeha.
Kako umjetna inteligencija može pomoći u otkrivanju novih lijekova?
Kako se umjetna inteligencija koristi u kliničkim ispitivanjima?
Prema Deloitteu, regulatorna tijela odobravaju samo 10 % potencijalnih lijekova koji ulaze u fazu kliničkih ispitivanja. Najdulja i najskuplja faza procesa razvoja lijekova, klinička ispitivanja, uključuju više faza testiranja na ljudima, a svaka faza uključuje na stotine ili tisuće ispitanika.
Klasični linearni proces randomiziranih kontroliranih ispitivanja (RCT-ova) nije se promijenio već desetljećima te mu nedostaje fleksibilnost, brzina i analitička snaga potrebna za razvoj modela precizne medicine. Tvrtke se bore s pronalaženjem odgovarajućih ispitanika, a da ne spominjemo angažiranje, zadržavanje i učinkovito upravljanje njima. Neefikasnost tog procesa znatno povećava troškove otkrivanja i razvoja lijekova, kao i nisku stopu njihova odobrenja za upotrebu.
Farmaceutske tvrtke mogu upotrebljavati prediktivne modele umjetne inteligencije u fazi kliničkog ispitivanja razvoja lijekova, od dizajna do analize podataka, pridonoseći sljedećem:
- identifikaciji prikladnih pacijenata dubinskom analizom dostupnog sadržaja
- procjeni učinkovitosti istraživačkog centra u stvarnom vremenu
- automatizaciji razmjene podataka na svim platformama
- dohvaćanju podataka za konačna izvješća
Povezivanje algoritama i učinkovite tehničke infrastrukture omogućuje da se to stalno pritjecanje kliničkih podataka pročišćava, agregira i pohranjuje te da se njima učinkovito upravlja. Tako istraživači mogu bolje utvrditi sigurnost i učinkovitost lijekova bez potrebe za ručnim razvrstavanjem i analiziranjem velikih skupova podataka generiranih kliničkim ispitivanjima.
Prepreke za uvođenje umjetne inteligencije u proces otkrivanja i razvoja lijekova
Iako primjena umjetne inteligencije postaje sve raširenija u procesu otkrivanja lijekova, još uvijek postoje prepreke za njezino uvođenje.
Kvaliteta podataka
Jedan od problema koji se navodi u mnogim djelatnostima jest to što loši podaci mogu brzo poništiti pomoć umjetne inteligencije i strojnog učenja. Za istraživače lijekova podaci niske kvalitete medicinsku tehnologiju čine nepouzdanom te, kad se sve zbroji, ne puno preciznijom, korisnijom ni ekonomičnijom od klasičnih metoda.
Strahovi
U većini djelatnosti postoji pogrešna slika da će tehnologija u konačnici potpuno zamijeniti ljudski rad. Ni farmaceutska industrija nije iznimka. Iako je točno da umjetna inteligencija može brže analizirati velike skupove podataka, ona nije zamjena za kvalificirane ljudske istraživače i zdravstvene djelatnike.
Nedostatak potrebnog znanja
Za implementaciju medicinske tehnologije u proces otkrivanja lijekova potrebno je specifično znanje. Da bi podaci ostali pročišćeni i umjetna inteligencija djelotvorna , tvrtke trebaju zaposlenike s ne samo tehničkim znanjima, već i one koji razumiju znanstvenu stranu tog procesa, kao što su razvoj lijekova, biologija i kemija. To su zahtjevi koje tvrtke teško ispunjavaju.
Budućnost umjetne inteligencije u razvoju lijekova farmaceutskih tvrtki
Umjetna inteligencija istraživačima omogućuje inovacije, zdravstvenim djelatnicima da zadovolje zahtjeve precizne medicine, a tvrtkama da na tržište izbace lijekove koje spašavaju živote. Svake godine sve je više partnerstva između farmaceutskih i tehnoloških tvrtki te ogromna ulaganja u tvrtke koje se bave medicinskom tehnologijom i umjetnom inteligencijom.
Već postoji i razmjena podataka između velikih farmaceutskih tvrtki. Machine Learning Ledger Orchestration for Drug Discovery odnosno MELLODDY zajednica je za razmjenu podataka između desetaka svojih članova. MELLODDY koristi sustav utemeljen na lancu blokova koji tvrtkama omogućuje dijeljenje vlasničkih podataka uz zadržavanje povjerljivosti. Istraživači mogu koristiti postojeće podatke da bi započeli proces otkrivanja lijekova i uštedjeli godine i godine razvoja.
Ubrzajte istraživanje i razvoj
Pratite nas