Sztuczna inteligencja rewolucjonizuje wiele dziedzin życia, a jednym z obszarów, w którym jej potencjał jest szczególnie obiecujący, jest przemysł farmaceutyczny. Dzięki wykorzystaniu AI możemy znacząco przyspieszyć proces projektowania, znajdowania i testowania nowych leków, który często trwa dziesiątki lat.
90% badań kończy się niepowodzeniem
Ryzyko związane z badaniami nad nowymi lekami jest ogromne. Na początek, każdy projekt badawczy leku trwa od trzech do pięciu lat, zanim naukowcy opracują wystarczająco mocną hipotezę, by rozpocząć testy w laboratorium. Według badania z 2022 roku przeprowadzonego przez profesora Duxina Suna, aż 90 procent projektów rozwoju klinicznego leków kończy się niepowodzeniem, przy koszcie przekraczającym 2 miliardy dolarów na każdy projekt. To nie uwzględnia nawet związków, które okazują się niemożliwe do wykorzystania na etapie przedklinicznym. Innymi słowy, każdy udany lek musi pokryć koszty generowane przez swoje nieudane odpowiedniki, co niemalże gwarantuje, że mniej dochodowe leki na rzadkie schorzenia nie otrzymają odpowiedniej uwagi.
Klasyczny system nie działa efektywnie
Dr. Nicola Richmond, wiceprezes ds. sztucznej inteligencji w firmie biotechnologicznej Benevolent, wyjaśnia, że klasyczny system nakazuje badaczom znaleźć, na przykład, białko odpowiedzialne za chorobę, a następnie znaleźć cząstkę, która mogłaby je zregulować. Gdy taką cząstkę znajdą, muszą przekształcić ją w formę, którą pacjent może przyjmować, a następnie sprawdzić, czy jest zarówno bezpieczna, jak i skuteczna. Droga do prób klinicznych na żywym pacjencie trwa lata, a często dopiero wtedy badacze dowiadują się, że to, co działało teoretycznie, nie działa w praktyce.
Obecny proces trwa „ponad dekadę i wymaga inwestycji w badania wynoszące miliardy dolarów na każdy zatwierdzony lek” – mówi dr Chris Gibson, współzałożyciel firmy Recursion, również z branży odkrywania leków przy użyciu sztucznej inteligencji. Według niego główną umiejętnością AI może być unikanie niepowodzeń i zapobieganie długotrwałemu eksplorowaniu ślepych zaułków przez badaczy. Platforma oprogramowania, która może analizować setki opcji jednocześnie, może, według Gibsona, „szybciej i wcześniej zawodzić, dzięki czemu można przejść do innych celów”.
Sztuczna inteligencja rozpoznaje tkanki
Dr. Anne E. Carpenter jest założycielką laboratorium Carpenter-Singh na Broad Institute of MIT i Harvard. Przez ponad dekadę rozwijała techniki w zakresie Cell Painting, czyli metody podświetlania elementów komórek barwnikami, aby komputer mógł je odczytać. Jest również współtwórczynią Cell Profiler, platformy umożliwiającej badaczom wykorzystanie AI do analizy ogromnych ilości obrazów tkanek barwionych barwnikami. Ta praca umożliwia maszynie łatwe zrozumienie, jak komórki zmieniają się pod wpływem obecności choroby lub leczenia. Poprzez holistyczne spojrzenie na każdą część komórki – dyscyplinę znana jako „omics” – pojawiają się większe możliwości nawiązywania połączeń, w których systemy AI odnoszą sukcesy.
AI działa podobnie do ludzi
Wykorzystanie obrazów jako narzędzia do identyfikowania potencjalnych leków może wydawać się nietypowe, ponieważ to, jak coś wygląda, nie zawsze odzwierciedla, jak coś działa, prawda? Carpenter mówi, że ludzie zawsze robili podświadome założenia o stanie zdrowia na podstawie samego wyglądu. Wyjaśnia, że większość ludzi może wywnioskować, że ktoś ma problem chromosomowy, patrząc tylko na jego twarz. Profesjonalni lekarze potrafią rozpoznać wiele zaburzeń na podstawie wyglądu, wynikające z ich doświadczenia. Dodaje, że jeśli zrobilibyśmy zdjęcie twarzy wszystkich ludzi w danej populacji, komputer byłby w stanie zidentyfikować wzorce i klasyfikować je na podstawie wspólnych cech.
To samo dotyczy obrazów komórek, gdzie możliwe jest porównywanie obrazów zdrowych i chorych próbek. Jeśli człowiek potrafi to zrobić, to komputer powinien być w stanie to zrobić szybciej i łatwiej, pod warunkiem, że jest dokładny. „Pozwala to na samodzielne skupienie danych w grupy i teraz zaczynamy dostrzegać wzorce” – tłumaczy Carpenter. „Kiedy leczymy komórki 100 000 różnymi związkami, jeden po drugim, możemy powiedzieć: ‚oto dwie substancje, które wyglądają bardzo podobnie do siebie'”. To podobieństwo nie jest przypadkiem, ale wydaje się wskazywać, jak się zachowują.
Sztuczna inteligencja pomaga odkrywać „diamenty”
W tym kontekście start-upy wykorzystujące AI w procesach odkrywania leków mają nadzieję, że odnajdą diamenty ukryte przed naszymi oczami. Dr. Richmond mówi, że podejście Benevolent polega na wyborze choroby, która jest przedmiotem zainteresowania, a następnie sformułowaniu wokół niej pytania biologicznego. Na początek projektu zespół może zastanawiać się, czy istnieją sposoby leczenia ALS poprzez poprawę funkcjonowania systemu utrzymania porządku komórki. (Aby wyjaśnić, to jest przykładem hipotetycznym dostarczonym przez dr. Richmond).
To pytanie jest następnie przepuszczane przez modele AI Benevolent, które zbierają dane z różnych źródeł. Następnie tworzą rankingową listę potencjalnych odpowiedzi na to pytanie, które mogą zawierać nowe związki chemiczne lub istniejące leki, które można dostosować. Dane trafiają następnie do badacza, który może ocenić, jakie znaczenie ma dla jego badań. Dr. Richmond dodaje, że model musi dostarczyć dowodów z istniejącej literatury lub źródeł, aby poprzeć swoje wyniki, nawet jeśli jego wybory wydają się nietypowe. I zawsze to człowiek ma ostatnie słowo w kwestii tego, które wyniki powinny być dalej badane i jak intensywnie.
AI na razie bez sukcesu?
Oczywiście, jak na razie nie ma jeszcze konkretnej historii sukcesu, żadnego cudownego leku, którym jakakolwiek firma w tej branży może się pochwalić jako potwierdzeniem tej metody. Jednak Recursion może przytoczyć realny przykład, jak blisko jego platforma była od osiągnięcia sukcesu klinicznego. W kwietniu 2020 roku Recursion przeanalizował sekwencję COVID-19 w swoim systemie, aby znaleźć potencjalne leki. Przeanalizowano zarówno leki zatwierdzone przez FDA, jak i kandydatów na leki znajdujących się w późnym stadium badań klinicznych. System wygenerował listę dziewięciu potencjalnych kandydatów, które wymagały dalszej analizy, z których osiem okazało
