Kako medicinska tehnologija pomaže u ubrzanju otkrivanja lekova
Nastavite da čitate da biste saznali više o veštačkoj inteligenciji u otkrivanju i razvoju lekova, kao i o tome kako ona pomaže u smanjenju troškova razvoja droge i bržem obezbeđivanju neophodnih terapija pacijentima.
Rastući troškovi otkrivanja i razvoja lekova
Način na koji zdravstveni radnici leče pacijente brzo se menja. Precizna medicina postaje sve češća dok istraživači rešavaju složene probleme sa zdravljem, a farmaceutska industrija nastoji da skrati vreme potrebno za razvoj lekova koji spasavaju živote.
Trenutno je uvođenje novog leka na tržište izuzetno dugačak i skup proces za farmaceutske kompanije. Prema podacima kompanije Taconic Bioscience, za razvoj jednog leka u 2019. bilo je potrebno oko 2,8 milijardi USD i preko 12 godina. Nakon svega toga, 90% kandidata ne uspeva da dobije odobrenje FDA.
Dobra vest je da veštačka inteligencija (AI) ima neverovatan potencijal da ubrza proces otkrivanja i razvoja lekova.
Kako veštačka inteligencija unapređuje proces otkrivanja lekova
Prvi korak u stvaranju većine lekova je sinteza jedinjenja koje može da se veže za ciljni molekul – obično protein – uključen u bolest i da ga moduliše. Da bi pronašli odgovarajuće jedinjenje, istraživači pregledaju hiljade potencijalnih kandidata. Kada se identifikuje cilj, istraživači zatim pregledaju ogromne biblioteke sličnih jedinjenja kako bi pronašli optimalnu interakciju sa proteinom bolesti.
Trenutno je potrebno više od decenije i nekoliko stotina miliona dolara da bi se došlo do ove tačke. Ali medicinska tehnologija koja koristi veštačku inteligenciju i mašinsko učenje (ML) može da unapredi proces, što skraćuje vreme i smanjuje troškove koji su bili potrebni farmaceutskoj industriji da objavi nove lekove. Na primer, ove tehnologije mogu da:
Detaljno pregledaju biblioteke molekula
Biblioteke koje se pregledaju u potrazi za kandidatima za molekule toliko su velike da je istraživačima gotovo nemoguće da sami pregledaju sve. AI, sa druge strane, može brzo da identifikuje potencijalna ciljna jedinjenja u ogromnim skupovima podataka, što istraživačima štedi stotine sati u laboratoriji.
Predvide svojstva jedinjenja
Tradicionalni proces otkrivanja lekova podrazumeva dugotrajne pokušaje i greške. Rešenja medicinske tehnologije u kombinaciji sa AI i ML mogu da pomognu u ubrzavanju procesa tako što će predvideti svojstva potencijalnih jedinjenja, obezbeđujući da se za sintezu biraju samo oni koji imaju željene karakteristike. Na taj način istraživači neće morati da rade na jedinjenjima koja verovatno neće biti efikasna.
Izmisle nova jedinjenja
Kada pregledanje daje nekoliko potencijalno dobrih rezultata, AI može čak i da razmenjuje ideje za potpuno nova jedinjenja koja se uklapaju u željene parametre i imaju veće šanse za uspeh.
Kako AI može da pomogne u otkrivanju novih lekova?
Kako se AI koristi u kliničkim ispitivanjima?
Prema podacima kompanije Deloitte, regulatorna tela odobravaju samo 10% kandidata za lekove koji ulaze u fazu kliničkog ispitivanja. Kao najduža i najskuplja faza procesa pravljenja lekova, klinička ispitivanja uključuju više faza testiranja na ljudima, a svaka faza obuhvata stotine ili hiljade učesnika.
Tradicionalni linearni proces nasumičnih kontrolisanih ispitivanja (RCT-ova) nije se promenio decenijama i nema fleksibilnost, brzinu i analitiku potrebne za napredovanje modela precizne medicine. Kompanije se muče da pronađu odgovarajuće učesnike, da ne pominjemo njihovo efikasno zapošljavanje, zadržavanje i upravljanje njima. Neefikasnost procesa u velikoj meri doprinosi rastućim troškovima otkrivanja i razvoja lekova, kao i niskim stopama odobrenja.
Farmaceutske kompanije mogu da koriste prediktivne AI modele tokom faze kliničkog ispitivanja u razvoju lekova, od dizajna do analize podataka, što im pomaže da:
- Identifikuju odgovarajuće pacijente traženjem javno dostupnog sadržaja.
- Procene performanse lokacije za ispitivanje u realnom vremenu.
- Automatizuju deljenje podataka na svim platformama.
- Obezbede podatke za konačne izveštaje.
Objedinjavanje algoritama sa efikasnom tehnološkom infrastrukturom osigurava da se konstantni tok kliničkih podataka efikasno čisti, agregira, skladišti i da se njime efikasno upravlja. Zbog toga istraživači mogu bolje da razumeju bezbednost i efikasnost leka bez potrebe da ručno upoređuju i analiziraju ogromne skupove podataka koje generišu ispitivanja.
Prepreke za usvajanje veštačke inteligencije u otkrivanju i razvoju lekova
Iako upotreba veštačke inteligencije postaje sve rasprostranjenija u procesu otkrivanja lekova, i dalje postoje prepreke za njeno usvajanje.
Kvalitet podataka
Izazov koji se često navodi u mnogim industrijama jeste to što loši podaci mogu brzo da umanje korisnost veštačke inteligencije i mašinskog učenja. Za istraživače lekova, podaci niskog kvaliteta čine medicinsku tehnologiju nepouzdanom i na kraju, ništa preciznijom, korisnijom ili vremenski štedljivijom od tradicionalnih metoda.
Bojazan
U većini industrija postoji pogrešno shvatanje da će tehnologija na kraju u potpunosti zameniti ljudske radnike. Farmaceutska industrija nije izuzetak. Iako je tačno da AI može brže da analizira velike skupove podataka, ona nije zamena za kvalifikovane ljudske istraživače i lekare.
Nedostatak veština
Primena medicinske tehnologije u procesu otkrivanja lekova zahteva specifični skup veština. Da bi podaci bili čisti, a veštačka inteligencija efikasna, kompanijama su potrebni radnici koji nemaju samo tehničke veštine, već i razumevanje naučne strane procesa, kao što su dizajn leka, biologija i hemija. To je veliki izazov koji kompanije teško ispunjavaju.
Budućnost veštačke inteligencije u razvoju lekova u farmaceutskoj industriji
AI pomaže istraživačima da donesu inovacije, lekarima da ispune zahteve precizne medicine i kompanijama da na tržište postave lekove koji spasavaju živote. Svake godine postoji sve više partnerstava između farmaceutskih i tehnoloških kompanija, i ogromna ulaganja u startapove u oblasti medicinske tehnologije i veštačke inteligencije.
Čak vidimo i deljenje podataka između velikih farmaceutskih kompanija. Machine Learning Ledger Orchestration for Drug Discovery, ili MELLODDY, je konzorcijum koji olakšava deljenje podataka između više desetina članova. MELODDY koristi sistem zasnovan na lancu blokova koji omogućava kompanijama da dele lokalne podatke uz održavanje poverljivosti. Istraživači mogu da iskoriste postojeće podatke da bi započeli proces otkrivanja leka i smanjili broj godina potrebnihza razvoj.
Ubrzajte istraživanje i razvoj
Pratite nas