Kaip medicinos technologijos padeda paspartinti vaistų suradimą
Skaitykite toliau, kad sužinotumėte daugiau apie dirbtinio intelekto naudojimą ieškant ir kuriant vaistus kaip jis padeda sumažinti vaistų kūrimo išlaidas ir greičiau pacientams suteikti gyvybę gelbėjantį gydymą.
Didėjančios vaistų suradimo ir kūrimo išlaidos
Pacientų gydymas sparčiai keičiasi. Populiarėja tikslioji medicina, nes mokslininkai sprendžia sudėtingas sveikatos problemas, o farmacininkai stengiasi sutrumpinti laiką, kurio reikia norint sukurti gyvybes gelbstinčius vaistus.
Šiuo metu naujo vaisto įvedimas į rinką farmacijos įmonėms yra itin ilgas ir brangus procesas. Pagal „Taconic Bioscience“, 2019 m. vieno vaisto įvedimas kainavo apie 2,8 milijardo JAV dolerių ir užtruko daugiau nei 12 metų. Ir vis dėlto 90 % kandidatų negauna FDA patvirtinimo.
Gera žinia ta, kad dirbtinis intelektas (AI) turi didžiulį potencialą paspartinti vaistų suradimo ir kūrimo procesą.
Kaip dirbtinis intelektas supaprastina vaistų suradimo procesą
Pirmas žingsnis kuriant daugumą vaistų yra susintetinti junginį, kuris gali rištis su ligos tiksline molekule – paprastai baltymu – ir ją moduliuoti. Norėdami rasti tinkamą junginį, mokslininkai tiria tūkstančius potencialių kandidatų. Identifikavus tikslinį objektą, mokslininkai tikrina daugybę panašių junginių bibliotekų, kad rastų optimalią sąveiką su ligos baltymu.
Šiuo metu tai užtrunka daugiau nei dešimt metų ir kainuoja šimtus milijonų dolerių. Tačiau medicinos technologijos, naudojančios dirbtinį intelektą ir mašininį mokymą (ML), gali supaprastinti procesą ir sumažinti laiko bei pinigų sąnaudas, kurių prireikia naujiems vaistams išleisti. Pavyzdžiui, šios technologijos gali:
Nuodugniai išieškoti molekulių bibliotekas
Bibliotekos, kuriose ieškoma molekulių kandidatų, yra tokios milžiniškos, kad mokslininkams beveik neįmanoma peržiūrėti visko patiems. Kita vertus, dirbtinis intelektas gali greitai nustatyti potencialius tikslinius junginius didžiuliuose duomenų rinkiniuose, sutaupydamas mokslininkams šimtus valandų laboratorijoje.
Prognozuoti junginių ypatybes
Tradicinis vaistų suradimo procesas pareikalauja daug laiko ir klaidų. Medicinos technologijų sprendimai, derinami su AI ir ML, gali padėti pagreitinti procesą prognozuodami galimų junginių ypatybes, užtikrindami, kad sintezei būtų atrinkti tik tie, kurie turi pageidaujamą sandarą. Taigi mokslininkams nereikia dirbti su junginiais, kurie mažai tikėtina, kad bus efektyvūs.
Išrasti naujus junginius
Kai patikrinimas pateikia mažai perspektyvių rezultatų, dirbtinis intelektas netgi gali generuoti idėjas visiškai naujiems junginiams, atitinkantiems reikiamus parametrus, ir padidinti sėkmės tikimybę.
Kaip dirbtinis intelektas gali padėti surasti vaistus?
Kaip dirbtinis intelektas naudojamas atliekant klinikinius bandymus?
Pagal „Deloitte“, tik 10 % kandidatų į vaistus, kurie patenka į klinikinių bandymų etapą, patvirtina reguliavimo institucijos. Ilgiausias ir brangiausias vaistų kūrimo proceso etapas, klinikiniai tyrimai, apima kelis žmonių testavimo etapus, o kiekviename etape dalyvauja šimtai ar tūkstančiai dalyvių.
Atsitiktinių imčių kontroliuojamų tyrimų (RCT) tradicinis linijinis procesas per dešimtis metų nepasikeitė, jam trūksta lankstumo, greičio ir analitinės galios, reikalingos tiksliosios medicinos modeliui klestėti. Įmonėms sunku rasti tinkamus dalyvius, juolab juos pasamdyti, išlaikyti ir efektyviai valdyti. Proceso neefektyvumas smarkiai prisideda prie didėjančių vaistų suradimo bei kūrimo išlaidų ir žemo patvirtinimų skaičiaus.
Farmacijos įmonės gali naudoti prognozuojamus AI modelius visame vaistų kūrimo klinikinių bandymų etape – nuo kūrimo iki duomenų analizės – o tai padeda:
- Identifikuoti tinkamus pacientus pasitelkus viešai pasiekiamą turinį.
- Įvertinti klinikinių tyrimų vietos efektyvumą realiuoju laiku.
- Automatizuoti duomenų bendrinimą skirtingose platformose.
- Pateikti duomenis galutinėms ataskaitoms.
Algoritmų derinimas su efektyvia technologijų infrastruktūra užtikrina, kad nuolatinis klinikinių duomenų srautas būtų efektyviai valomas, kaupiamas, saugomas ir valdomas. Taigi, mokslininkai gali geriau suprasti vaisto saugą ir efektyvumą rankiniu būdu nelygindami ir neanalizuodami didelių duomenų rinkinių, kuriuos sugeneravo tyrimai.
Kliūtys dirbtinio intelekto taikymui surandant ir kuriant vaistus
Nors dirbtinis intelektas vis daugiau naudojamas vaistų suradimo procese, šiam pritaikymui vis dar yra kliūčių.
Duomenų kokybė
Daugelyje pramonės šakų dažnai įvardijamas iššūkis, kad prastos kokybės duomenys gali greitai sumažinti dirbtinio intelekto ir mašininio mokymo naudingumą. Tiriant vaistus, prastos kokybės duomenys daro medicinos technologijas nepatikimomis ir galiausiai jos nebūna tikslesnės, naudingesnės ar taupančios laiką, nei tradiciniai metodai.
Nuogąstavimai
Daugelyje pramonės šakų vyrauja klaidingas supratimas, kad technologijos galiausiai visiškai pakeis žmones kaip darbuotojus. Farmacijos pramonė nėra išimtis. Ir nors tiesa, kad AI gali greičiau analizuoti didelius duomenų rinkinius, tai nepakeičia įgudusių mokslininkų ir gydytojų.
Įgūdžių trūkumas
Norint medicinos technologijas naudoti vaistu suradimo procese, reikia specialių įgūdžių. Kad duomenys būtų švarūs, o dirbtinis intelektas efektyvus, įmonėms reikia darbuotojų, turinčių ne tik techninių įgūdžių, bet ir išmanančių mokslinę proceso pusę, pvz., vaistų sandarą, biologiją ir chemiją. Tai nemaži reikalavimai, kuriuos įmonės sunkiai užpildo.
Dirbtinio intelekto ateitis farmacijoje kuriant vaistus
Dirbtinis intelektas padeda mokslininkams diegti naujoves, gydytojams – atitikti tiksliosios medicinos reikalavimus, o įmonėms – į rinką pateikti gyvybes gelbstinčius vaistus. Kiekvienais metais randasi vis daugiau partnerysčių tarp farmacijos bei technologijų įmonių ir didelių investicijų į medicinos technologijų ir dirbtinio intelekto startuolius.
Netgi matome, kad didelės farmacijos įmonės dalijasi duomenimis. „The Machine Learning Ledger Orchestration for Drug Discovery“ arba MELLODDY – tai konsorciumas, palengvinantis dalijimąsi duomenimis tarp jo narių. MELLODDY naudoja blokų grandine pagrįstą sistemą, kuri leidžia įmonėms dalytis nuosavybės teise priklausančiais duomenimis išlaikant konfidencialumą. Mokslininkai gali naudoti esamus duomenis, kad paspartintų vaistų suradimo procesą ir keliais metais sutrumpintų jų kūrimą.
Paspartinkite savo tyrimus ir kūrimą
Stebėkite mus