AI i apotek: Fremskynde opdagelse af lægemidler

Vi er allerede vant til, at en del af arbejdet i sundhedsvæsenet kan udføres med maskiner. De har vist sig at være effektive til hjælp med diagnosticering eller valg af behandlingslinje samt med dokumentflowstyring. Endnu en gang vi kaster et blik ud over forhold mellem patient-sundhedsudbydere, er vi forbløffet over omfanget af problemerne og potentialet for AI til at løse dem.

$ 2,5b og 10 års forskning - dette er de tal, der beskriver lægemiddeludviklingsprocessen. Tilføje, at kun 1 ud af 10 medicin ville passere alle nødvendige stadier og til sidst nå frem til patienten. Den nuværende hurtige og rasende verden har hverken råd til sådanne udgifter eller en sådan tidsramme.

Det er her, at AI-teknikker kan tilføje den mest værdi, hvilket gør lægemiddelopdagelsen hurtigere, billigere og mere effektiv. Nogle apotekere er stadig skeptiske, men de fleste eksperter forventer, at disse værktøjer bliver stadig vigtigere. Hvis tilhængerne af disse teknikker stemmer, vil AI og maskinlæring indlede en æra med hurtigere, billigere og mere effektiv lægemiddelopdagelse

F.eks. Estimerer McKinsey, at bedre beslutningstagning, optimeret innovation, forbedret effektivitet af forskning, kliniske forsøg og oprettelse af nyt værktøj ved hjælp af big data og maskinlæring kunne generere op til $ 100b i pharma og medicin årligt.

AI har potentialet til at ændre hele processen med opdagelse af medikamenter. Indtil videre er stadierne af lægemiddeludvikling, der starter fra en hypotese og går mod test af lægemidlerne, slet ikke forbundet. Tværtimod, fra et maskinlæringsperspektiv, forbindes stadierne, da du kan bruge dataene fra det næste trin til at forstå, hvad der sker i det forrige trin eller to faser før. Desuden kan den samtidige adgang til flere data identificere et kvantificerbart segment i stedet for at bruge brede deskriptorer, såsom sygdomssymptomer. Med maskinlæring kan forskere udføre et forsøg på en pool af patienter, modtage forskellige resultater og kortlægge dem på patienternes genetik for molekylære signaturer, idet de definerer sygdom på en fast jord.

AI er allerede blevet brugt med succes i alle hovedstadier i lægemiddeludvikling:

· Trin 0. Oversigt over litteratur

· Fase 1: Identificering af mål for intervention

· Trin 2: Opdage stofkandidater

· Trin 3: Fremskyndelse af kliniske forsøg

· Trin 4: Find biomarkører til diagnosticering af sygdommen

Hovedstadier i lægemiddeludvikling

Fase 0 Oversigt over litteratur

Der er en enorm mængde forskning, der offentliggøres hver dag, og hvis vi kunne samle indsigt fra alle undersøgelser, kan vi formulere en bedre hypotese. Imidlertid er det umuligt for et menneske at læse alle abstracts og videnskabelige artikler, så forskere, der arbejder inden for det videnskabelige område, fokuserer normalt kun på et område og ikke læser andre tidsskrifter. Men disse tidsskrifter indeholder en masse relevante data, der kan informere beslutninger inden for de områder, som en person undersøger. Løsningen er at lade maskiner læse al tilgængelig litteratur, patenter og dokumenter og samle dataene sammen i en database med fakta, der kan udvindes fra denne litteratur. Det danner grundlaget for hypotesen om at finde terapeutiske mål for sygdomme.

Trin 1: Identifikation af mål for intervention

Det første trin i lægemiddeludvikling er at forstå den biologiske oprindelse af en sygdom og dens resistensmekanismer. For at behandle en sygdom er det vigtigt at identificere gode mål, som regel proteiner. Den brede anvendelse af teknikker med høj kapacitet, såsom kort hårnåls-RNA (shRNA) -screening og dyb sekventering, har øget mængden af ​​tilgængelige data til at opdage levedygtige målveje. Det er dog stadig en udfordring at integrere det høje antal og forskellige datakilder - og derefter finde de relevante mønstre. Maskinlæringsalgoritmer er kendt for at være gode til sådanne opgaver og kan håndtere alle tilgængelige data til automatisk at forudsige gode målproteiner.

Fase 2: Opdagelse af stofkandidater

Med identificerede mål begynder forskere at lede efter en forbindelse, der kan interagere med det identificerede målmolekyle på den ønskede måde. Dette involverer screening af tusinder og millioner af potentielle naturlige, syntetiske og bioingenierede forbindelser for deres virkning på målet og deres bivirkninger. Maskinlæringsalgoritmer kan forudsige egnetheden af ​​et molekyle baseret på strukturelle fingeraftryk og molekylbeskrivelser, blænde gennem millioner af potentielle molekyler og filtrere dem ned til de bedste muligheder med minimale bivirkninger.

Trin 3: Hurtigere kliniske forsøg

Nøglen til vellykkede forsøg er et nøjagtigt valg af egnede kandidater, fordi valg af forkert indebærer forlængelse af forsøg og spild af tid og ressourcer. Maskinindlæring kan fremskynde designet af kliniske forsøg ved automatisk at identificere passende kandidater og sikre, at forsøgsdeltagerne er fordelt på grupper korrekt. ML-algoritmer kan identificere mønstre, der kan forudsige gode kandidater. Desuden kan de underrette forskerne om, at et klinisk forsøg ikke giver konkrete resultater, så forskerne kunne gribe ind tidligere og potentielt redde udviklingen af ​​lægemidlet.

Trin 4: Identifikation af biomarkører til diagnosticering af sygdommen

Endelig kan du kun behandle patienter for en sygdom, når du er sikker på din diagnose. Biomarkører er molekyler, der findes i kropsvæsker såsom blod, der giver absolut sikkerhed for, om en patient har en sygdom eller ej. De gør processen med at diagnosticere en sygdom sikker og billig. De kan også bruges til at præcisere udviklingen af ​​sygdommen - hvilket gør det lettere for læger at vælge den rigtige behandling og overvåge, om lægemidlet fungerer.

Ikke desto mindre involverer det at opdage biomarkører screening titusinder af potentielle molekylekandidater. Endnu en gang kan AI automatisere og fremskynde processen. Algoritmerne klassificerer molekyler i gode og dårlige kandidater - og forsker kan fokusere på kun at analysere de bedste udsigter.

Biomarkører kan identificere:

· Diagnostisk biomarkør: Tilstedeværelsen af ​​en sygdom så tidligt som muligt

· Risikobiomarkør: Risikoen for, at en patient udvikler sygdommen

· Prognostisk biomarkør: Den sandsynlige udvikling af en sygdom

· Forudsigelig biomarkør: Om en patient vil reagere på et lægemiddel

Typer af biomarkører

Selvom bred anvendelse af AI stadig findes i dens infanteri, er der adskillige eksempler på dets anvendelse af farmaceutiske virksomheder. For eksempel arbejder den farmaceutiske gigant Merck & Co på et projekt, der bruger dyb læringsteknologi til opdagelse af nye små molekyler. Pfizer har indledt et samarbejde med IBM Watson om undersøgelse af immuno-onkologi-lægemidler. Forskere ved det Massachusetts-baserede bioteknologiselskab Berg har udviklet en model til at identificere tidligere ukendte kræftmekanismer ved hjælp af test på mere end 1.000 kræftformede og sunde humane celleprøver.

Dette skift præsenterer antyder, at industrien ikke kun har vågnet op til, men aktivt omfavner fordelene ved maskinlæring til at identificere og screene medicin, mere præcist forudsige stofkandidater og i sidste ende skære F & U-omkostninger og indsats.

Hvordan vil AI ændre fremtiden for menneskelige eksperter?

Efterhånden som flere undersøgelser offentliggøres, og diskussioner afholdes omkring AI's fremtid i medicin, dukker der op adskilte sider af argumentet. Den generelle enighed er, at selvom rutinemæssige opgaver og dataindsamling / indtastning skal udføres af maskiner, vil der altid være et behov for det menneskelige element i kuratorens rolle, i dømmekraft, kreativitet og empati eller andre menneskelige faktorer, som moderne teknologi ikke kan give .

Som kuratorer vil mennesker konfigurere problemet og lade algoritmerne eller robotterne løse det. De vil skræddersy og målrette specifikke forbindelser, symptomer, sygdomme eller andre snarere end tilfældige eller små problemer bare for at gøre det. Desuden vil menneskelige eksperter give godkendelse gennem de forskellige faser af testning eller udforskning af yderligere muligheder baseret på resultater baseret på kontekst, som botterne muligvis ikke forstår.

Afslutningsvis ligger fremtiden i samarbejde mellem mennesker og maskiner, og menneskelige kliniske eksperter er nødt til at tilpasse sig, lære og vokse sammen med teknologiske fremskridt. Selvom fremtidige specialister bliver nødt til at være både medicinske og computereksperter, for medicin, er det evolution, ikke udryddelse.