Så hjälper medicinteknikbranchen till att påskynda identifiering av läkemedel
Fortsätt läsa så får du lära dig mer om artificiell intelligens inom identifiering och utveckling av läkemedel samt hur detta minskar kostnaderna för läkemedelsutveckling och ser till att patienter får viktig behandling snabbare.
De ökande kostnaderna för identifiering och utveckling av läkemedel
Vårdpersonalens sätt att behandla patienter förändras snabbt. Precisionsmedicin blir allt vanligare i takt med att forskningen hanterar komplexa hälsoproblem och läkemedelsbranschens strävan efter att minska utvecklingstiden för viktiga preparat.
För närvarande är processen med att få nya läkemedel till marknaden extremt dyr och tidskrävande för läkemedelsföretag. Enligt Taconic Bioscience kostade det år 2019 cirka 2,8 miljarder dollar och tog över 12 år att utveckla ett enda läkemedel. Och därefter fick 90 procent av ansökningarna avslag från det amerikanska läkemedelsverket FDA.
En god nyhet är att artificiell intelligens (AI) har en enorm potential att påskynda identifieringen och utvecklingen av läkemedel.
Så effektiviserar AI läkemedelsidentifieringen
Det första steget när man tar fram de flesta läkemedel är att syntetisera ett ämne som kan binda till och modulera en målmolekyl, vanligtvis ett protein, som har med en sjukdom att göra. Forskarna går igenom tusentals kandidater i jakten på rätt ämne. När forskarna har hittat ett mål genomsöker de stora register med liknande ämnen i syfte att hitta den optimala interaktionen med sjukdomsproteinet.
För närvarande tar det mer än tio år och medför kostnader på miljontals dollar för att nå dit. Medicinteknik där artificiell intelligens och maskininlärning (ML) används kan dock effektivisera processen, vilket minskar tidsåtgången och kostnaden för att lansera nya läkemedel. Dessa nya tekniker kan exempelvis:
Genomsöka molekylregister
Registren med molekylkandidater är så enormt stora att det är nästintill omöjligt för mänskliga forskare att gå igenom allt på egen hand. Däremot kan AI snabbt hitta potentiella målämnen i de stora datauppsättningarna, vilket sparar hundratals arbetstimmar i labbet.
Förutse egenskaper hos ämnen
Vid traditionell identifiering av läkemedel krävs tidsödande arbete med att testa sig fram till rätt utfall. Medicintekniklösningar som kombineras med AI och ML kan påskynda processen genom att förutse egenskaperna hos potentiella ämnen så att endast ämnen med rätt förutsättningar väljs ut för syntes. Tack vare det slipper forskarna ägna tid åt att undersöka ämnen som troligtvis inte kommer vara effektiva.
Uppfinna nya ämnen
När genomsökningen ger få lovande resultat kan AI till och med komma med förslag på helt nya ämnen som uppfyller de önskade parametrarna och har en högre sannolikhet att fungera.
Hur hjälper AI till vid identifiering av läkemedel?
Hur används AI inom kliniska prövningar?
Enligt Deloitte får endast 10 procent av de läkemedelskandidater som når steget för klinisk prövning godkänt av myndigheterna. Kliniska prövningar är det längsta och dyraste steget vid framställningen av nya läkemedel. De inbegriper flera faser med testning på människor med hundratals eller tusentals deltagare i varje fas.
Den traditionella linjära processen för randomiserade kontrollerade prövningar (RCT för engelskans Randomized Controlled Trials) har inte ändrats på flera årtionden. Där saknas den flexibilitet, hastighet och analysprestanda som modellen för precisionsmedicin behöver för att fungera. Företagen har svårt att hitta, rekrytera, behålla och hantera lämpliga deltagare. Denna ineffektivitet i processen är en kraftigt bidragande faktor bakom de ökande kostnaderna för identifiering och utveckling av läkemedel och den låga godkännandefrekvensen.
Läkemedelsföretag kan använda förutsägande AI-modeller inom kliniska prövningar för läkemedelsutveckling från utformningen och hela vägen till dataanalys. Detta bidrar till att:
- Hitta lämpliga patienter genom att genomsöka innehåll som är offentligt tillgängligt.
- Bedöma prestandan hos prövningsinrättningar i realtid.
- Automatisera datadelning mellan plattformar.
- Tillhandahålla data för slutliga rapporter.
Kopplingsalgoritmer med effektiv teknikinfrastruktur ser till att den konstanta strömmen med kliniska data rengörs, sammanställs, lagras och hanteras effektivt. Därmed kan forskarna få bättre förståelse för läkemedlens säkerhet och effektivitet utan att behöva samla och analysera de enorma datauppsättningar som prövningarna genererar manuellt.
Hinder för införandet av AI vid identifiering och utveckling av läkemedel
AI används allt oftare vid läkemedelsidentifiering, men det finns fortfarande saker som hindrar införandet.
Datakvalitet
En utmaning som ofta uppges i många branscher är att dåliga data snabbt kan minska nyttan med artificiell intelligens och maskininlärning. För läkemedelsforskare gör data av låg kvalitet att medicintekniken blir otillförlitlig och inte ger mer noggrannhet, nytta eller tidsbesparing är de traditionella metoderna.
Farhågor
I de flesta branscher är det vanligt att tro att tekniken så småningom kommer ersätta människor helt och hållet. Även inom läkemedelsbranschen hittar vi dessa föreställningar. Visserligen stämmer det att AI kan analysera stora datamängder snabbare, men det betyder inte att AI ersätter skickliga forskare och vårdgivare.
Brist på färdigheter
Implementeringen av medicinteknik inom läkemedelsidentifiering kräver särskilda färdigheter. För att hålla data rena och AI effektiv behöver företag personer som inte bara besitter tekniska färdigheter utan även förstår vetenskapen bakom processen, däribland läkemedelsutformning, biologi och kemi. Företagen har svårt att hitta personer som stämmer in på allt detta.
Framtiden för AI inom läkemedelsutveckling
AI hjälper forskare att skapa innovation, vårdgivare att uppfylla kraven för precisionsmedicin och företag att lansera viktiga läkemedel på marknaden. Varje år uppstår fler samarbeten mellan läkemedelsbolag och teknikföretag. Det görs även stora investeringar i nystartade företag som arbetar med medicinteknik och AI.
Det sker till och med datadelning mellan stora läkemedelsbolag. Machine Learning Ledger Orchestration for Drug Discovery, förkortat MELLODDY, är ett konsortium som underlättar datadelning mellan de dussintals medlemmarna. MELLODDY använder ett blockkedjebaserat system som gör att företag kan dela sina egna skyddade data samtidigt som konfidentialiteten upprätthålls. Forskare kan utnyttja befintliga data för att påskynda läkemedelsidentifieringen och minska tidsåtgången för utveckling med flera år.
Påskynda forskningen och utvecklingen
Följ oss