Сможет ли искусственный интеллект произвести революцию в разработке лекарств? Исследователи говорят, что это зависит от того, как его использовать

      Потенциал использования искусственного интеллекта в создании и разработке лекарств вызывает как восторг, так и скептицизм среди ученых, инвесторов и широкой общественности. "Искусственный интеллект захватит разработку лекарств", - утверждают некоторые компании и исследователи. За последние несколько лет интерес к использованию искусственного интеллекта для разработки лекарств и оптимизации клинических испытаний вызвал всплеск исследований и инвестиций. Платформы на основе ИИ, такие как AlphaFold, получившая в 2024 году Нобелевскую премию за способность предсказывать структуру белков и создавать новые, демонстрируют потенциал ИИ для ускорения разработки лекарств. ИИ в разработке лекарств - это "нонсенс", предупреждают некоторые ветераны отрасли. Они настаивают на том, что "потенциал ИИ для ускорения разработки лекарств нуждается в проверке на реальность", поскольку созданные с помощью ИИ лекарства еще не продемонстрировали способность решить проблему 90 % неудач новых лекарств в клинических испытаниях. В отличие от успеха ИИ в анализе изображений, его влияние на разработку лекарств остается неясным. За каждым лекарством в вашей аптеке стоит множество других, которые потерпели неудачу. nortonrsx/iStock via Getty Images Plus Мы следим за использованием ИИ в разработке лекарств, работая в качестве фармацевта в академических кругах и фармацевтической промышленности, а также в качестве бывшего руководителя программы в Агентстве перспективных оборонных исследовательских проектов, или DARPA. Мы утверждаем, что ИИ в разработке лекарств еще не стал переломным моментом, но и не является полной бессмыслицей. ИИ - это не черный ящик, который может превратить любую идею в золото. Скорее, мы рассматриваем его как инструмент, который при разумном и грамотном использовании может помочь устранить основные причины неудач лекарств и оптимизировать процесс. Большинство работ, использующих ИИ в разработке лекарств, направлены на сокращение времени и средств, необходимых для вывода одного препарата на рынок - в настоящее время это 10-15 лет и от 1 до 2 миллиардов долларов США. Но может ли ИИ действительно произвести революцию в разработке лекарств и улучшить показатели успеха? Исследователи применяют ИИ и машинное обучение на всех этапах процесса разработки лекарств. К ним относятся, в частности, определение мишеней в организме, отбор потенциальных кандидатов, конструирование молекул лекарств, прогнозирование токсичности и отбор пациентов, которые могут лучше всего реагировать на лекарства в ходе клинических испытаний. В период с 2010 по 2022 год 20 стартапов, ориентированных на ИИ, открыли 158 кандидатов в лекарственные препараты, 15 из которых прошли клинические испытания. Некоторые из них смогли пройти доклинические испытания в лабораторных условиях и начать испытания на людях всего за 30 месяцев, в то время как обычно на это уходит от 3 до 6 лет. Это достижение демонстрирует потенциал ИИ для ускорения разработки лекарств. Разработка лекарств - длительный и дорогостоящий процесс. С другой стороны, хотя платформы ИИ могут быстро находить соединения, которые действуют на клетки в чашке Петри или на животных моделях, успех этих кандидатов в клинических испытаниях - где происходит большинство неудач с лекарствами - остается крайне неопределенным. В отличие от других областей, где для обучения моделей ИИ доступны большие и высококачественные наборы данных, например анализ изображений или обработка языка, ИИ в разработке лекарств ограничен небольшими и низкокачественными наборами данных. Трудно создать наборы данных по лекарственным препаратам на клетках, животных или людях для миллионов и миллиардов соединений. Хотя AlphaFold - это прорыв в предсказании структуры белков, насколько точным он может быть для разработки лекарств, остается неясным. Незначительные изменения в структуре лекарства могут сильно повлиять на его активность в организме, а значит, и на эффективность в лечении заболеваний. Предвзятое отношение к выживанию Как и ИИ, прошлые инновации в разработке лекарств, такие как компьютерный дизайн лекарств, проект "Геном человека" и высокопроизводительный скрининг, за последние 40 лет улучшили отдельные этапы процесса, но показатели неудач лекарств не улучшились. Большинство исследователей ИИ могут решать конкретные задачи в процессе разработки лекарств, когда им предоставляются высококачественные данные и конкретные вопросы, на которые нужно ответить. Но зачастую они не знакомы со всей сферой разработки лекарств, сводя задачи к распознаванию образов и уточнению отдельных этапов процесса. В то же время многие ученые, имеющие опыт разработки лекарств, не имеют подготовки в области ИИ и машинного обучения. Эти коммуникационные барьеры могут помешать ученым выйти за рамки механики текущих процессов разработки и выявить основные причины неудач лекарств. Современные подходы к разработке лекарств, в том числе с использованием ИИ, могут попасть в ловушку предубеждения против выживания, чрезмерно концентрируясь на менее важных аспектах процесса и упуская из виду основные проблемы, которые в наибольшей степени способствуют неудачам. Это можно сравнить с устранением повреждений на крыльях самолетов, возвращавшихся с полей сражений во время Второй мировой войны, и игнорированием фатальных уязвимостей в двигателях или кабинах самолетов, которые так и не вернулись. Исследователи часто слишком сосредоточены на том, как улучшить отдельные свойства лекарства, а не на первопричинах неудач. В то время как возвращающиеся самолеты могут пережить попадание в крылья, у тех, у кого повреждены двигатели или кабины, меньше шансов вернуться обратно. Martin Grandjean, McGeddon, US Air Force/Wikimedia Commons, CC BY-SA Современный процесс разработки лекарств работает как сборочный конвейер, полагаясь на подход "флажка" с обширным тестированием на каждом этапе процесса. Хотя ИИ может сократить время и стоимость лабораторных доклинических этапов этого конвейера, он вряд ли повысит показатели успеха на более дорогостоящих клинических этапах, которые предполагают испытания на людях. Устойчивый 90-процентный показатель неудач лекарств в клинических испытаниях, несмотря на 40 лет совершенствования процессов, подчеркивает это ограничение. Устранение первопричин Неудачи лекарств в клинических испытаниях связаны не только с тем, как эти исследования разработаны; важным фактором также является выбор неправильных кандидатов для тестирования лекарств в клинических испытаниях. Новые стратегии, управляемые искусственным интеллектом, могут помочь решить обе эти проблемы. В настоящее время большинство неудач в испытаниях лекарств обусловлено тремя взаимозависимыми факторами: дозировкой, безопасностью и эффективностью. Некоторые препараты терпят неудачу из-за того, что они слишком токсичны или небезопасны. Другие лекарства проваливаются из-за того, что их считают неэффективными, часто потому, что дозу нельзя увеличить без вреда для здоровья. Мы и наши коллеги предлагаем систему машинного обучения, которая поможет отбирать кандидатов на лекарства, прогнозируя дозировку, безопасность и эффективность на основе пяти ранее не учитываемых характеристик препаратов. В частности, исследователи могли бы использовать модели ИИ для определения того, насколько специфично и мощно лекарство связывается с известными и неизвестными мишенями, каков уровень этих мишеней в организме, насколько концентрированным становится лекарство в здоровых и больных тканях, а также структурных свойств препарата. Эти особенности созданных ИИ лекарств можно было бы проверить в так называемой фазе 0+ испытаний, используя сверхмалые дозы на пациентах с тяжелыми и легкими формами заболевания. Это поможет исследователям выявить оптимальные препараты и одновременно сократить расходы, связанные с нынешним подходом к клиническим испытаниям по принципу "тестируй и смотри". Хотя сам по себе ИИ не может произвести революцию в разработке лекарств, он может помочь устранить основные причины неудач лекарств и упростить длительный процесс их утверждения. Дуксин Сун, заместитель декана по научной работе, Чарльз Уолгрин-мл. Профессор фармации и фармацевтических наук, Мичиганский университет, и Кристиан Македония, адъюнкт-профессор фармацевтических наук, Мичиганский университет Эта статья перепечатана с сайта The Conversation по лицензии Creative Commons. Читайте оригинал статьи.