Σε ένα ορόσημο για την επιστήμη και την τεχνολογία, το Νόμπελ Χημείας 2024 απονεμήθηκε στην ομάδα DeepMind για την εργασία της στο AlphaFold, ένα σύστημα τεχνητής νοημοσύνης (AI) που προβλέπει με ακρίβεια τις πρωτεϊνικές δομές. Επιλύοντας ένα από τα πιο θεμελιώδη προβλήματα της βιολογίας, το AlphaFold έδειξε τη δυνατότητα της τεχνητής νοημοσύνης να προωθήσει την ανακάλυψη φαρμάκων.
Ταυτόχρονα, οι πρόοδοι στη γενετική τεχνητή νοημοσύνη και τη μοντελοποίηση πρωτεϊνών πιέζουν τα όρια του δυνατού στο σχεδιασμό φαρμάκων, ενώ οι προσομοιώσεις εικονικών κυττάρων υπαινίσσονται ένα μέλλον όπου ορισμένα πειράματα θα μπορούσαν να διεξαχθούν με εντελώς ψηφιακό τρόπο. Ωστόσο, παρ’ όλες τις δυνατότητές της, η χρήση της τεχνητής νοημοσύνης στην ανακάλυψη φαρμάκων δεν είναι χωρίς προκλήσεις.
Η σπανιότητα δεδομένων, η βιολογική πολυπλοκότητα και οι ρυθμιστικές ανησυχίες εξακολουθούν να παρουσιάζουν σημαντικά εμπόδια που πρέπει να ξεπεραστούν. Και ενώ η διαφημιστική εκστρατεία γύρω από την τεχνητή νοημοσύνη εντυπωσιάζει, η υιοθέτηση λύσεων αργούν ακόμη να μπουν στην αγορά
Σύμφωνα με έρευνα της GlobalData, της μητρικής εταιρείας της Φαρμακευτικής Τεχνολογίας, η τεχνητή νοημοσύνη θεωρείται η πιο ανατρεπτική τεχνολογία μεταξύ των επιχειρήσεων, συμπεριλαμβανομένου του κλάδου της υγειονομικής περίθαλψης. Καθώς οδηγούμαστε πέρα από το 2025 τίθεται το ερώτημα: πόσο κοντά βρισκόμαστε στο να δούμε τις δυνατότητες της τεχνητής νοημοσύνης να παρέχει ταχύτερες, πιο προσιτές και ακριβέστερες θεραπείες;
Εκεί που εφαρμόζεται η τεχνητή νοημοσύνη
Η Sara Choi, επενδυτής βιοτεχνολογίας και συνεργάτης της Wing Venture Capital με έδρα το Palo Alto της Καλιφόρνια είναι πολύ αισιόδοξη. «Πιστεύω ότι θα είναι τριπλάσιος ο αριθμός των εγκεκριμένων φαρμάκων τα επόμενα δέκα χρόνια που θα προκύψουν από την χρήση τεχνητής νοημοσύνης.
Η Choi λέει ότι η υιοθέτηση της τεχνητής νοημοσύνης είναι ήδη ευρεία και έχει αντίκτυπο στη διαδικασία ανάπτυξης φαρμάκων . « Σε πολλές φαρμακοβιομηχανίες στελέχη υποστηρίζουν ότι χρησιμοποιούν ήδη την τεχνητή νοημοσύνη σε μεγάλη γκάμα εφαρμογών. Η τακτική αυτή περιλαμβάνει την έγκαιρη ανακάλυψη και την αναγνώριση στόχων – τομείς όπου η τεχνητή νοημοσύνη είναι ιδιαίτερα ισχυρή στην ανάλυση μεγάλων συνόλων δεδομένων για την αποκάλυψη νέων βιολογικών στόχων. Πέρα από αυτό, η τεχνητή νοημοσύνη βοηθά επίσης στην πρόβλεψη της δομής των πρωτεϊνών, στη βελτιστοποίηση των μοριακών αλληλεπιδράσεων και ακόμη και στην κλιμάκωση της παραγωγής για να διασφαλιστεί ότι τα μόρια που θα προκύψουν θα είναι και εμπορικά βιώσιμα
Ο ρόλος της τεχνητής νοημοσύνης επεκτείνεται και σε κλινικές δοκιμές , καθώς χρησιμοποιείται ήδη για τη βελτίωση του σχεδιασμού των δοκιμών, της σκοπιμότητας και της επιλογής τοποθεσίας, καθώς και για την προσέλκυση και διατήρηση ασθενών , την ανάλυση δεδομένων και την υποβολή κανονισμών. Ένα εργαλείο αντιστοίχισης ασθενών σε κλινικές δοκιμές που ονομάζεται TrialSearch AI, το οποίο λειτουργεί σε ένα μοντέλο (LLM), μπόρεσε να μειώσει τον χρόνο προκαταρκτικού ελέγχου για τους γιατρούς κατά 90%.
Παρά την πρόοδο αυτή, υπάρχουν όρια σε αυτά που μπορεί να επιτύχει επί του παρόντος η τεχνητή νοημοσύνη. Για παράδειγμα, ενώ η τεχνητή νοημοσύνη υπερέχει στο κοσκίνισμα μεγάλου όγκου δεδομένων για τον εντοπισμό πιθανών υποψηφίων φαρμάκων, η πραγματική διαδικασία μετάβασης από την ανακάλυψη στην αγορά εξακολουθεί να βασίζεται σε μεγάλο βαθμό στην ανθρώπινη τεχνογνωσία και την πειραματική επικύρωση.
Η εύρεση των σωστών δεδομένων είναι μια πρόκληση
Μία από τις μεγαλύτερες προκλήσεις για την πλήρη ενσωμάτωση της τεχνητής νοημοσύνης στην ανακάλυψη φαρμάκων είναι η ανάγκη για μεγάλης κλίμακας, υψηλής ποιότητας δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης. Σε αντίθεση με τα πεδία όπου τα δεδομένα είναι άφθονα, τα βιολογικά δεδομένα είναι συχνά δαπανηρά και χρονοβόρα η παραγωγή τους.
Η Choi διευκρινίζει ότι τα δεδομένα είναι το θεμέλιο για την γνώση αλλά στη βιοτεχνολογία, η παραγωγή δεδομένων γίνεται μέσω πειραμάτων, τα οποία εξελίσσονται αργά και απαιτούν πόρους. Τα υπάρχοντα σύνολα δεδομένων είναι συχνά μικρά και δεν καταγράφουν την πλήρη πολυπλοκότητα της βιολογίας.
Ο Adityo Prakash, Διευθύνων Σύμβουλος της φαρμακευτικής εταιρείας Verseon με έδρα το Fremont, στην Καλιφόρνια, υποστηρίζει ότι η τεχνητή νοημοσύνη που έχει εκπαιδευτεί στα υπάρχοντα δεδομένα μπορεί να προσφέρει μικρές τροποποιήσεις και νέες χρήσεις για μόρια φαρμάκων που είχαν συντεθεί στο παρελθόν. «Αλλά, η τεχνητή νοημοσύνη δεν μπορεί να διερευνήσει τις πιθανότητες απόκλισης για τις οποίες δεν υπάρχουν πειραματικά δεδομένα εκπαίδευσης. Ωστόσο, είναι μεταξύ αυτών των πιθανοτήτων απόκλισης, η εύρεση των πρωτοποριακών θεραπειών του μέλλοντος».
Η εταιρεία του Prakash προσπαθεί να ξεπεράσει το «πρόβλημα δεδομένων» της AI για την ανακάλυψη φαρμάκων χρησιμοποιώντας τη μοριακή φυσική. Πρώτον, τα νέα υποψήφια φάρμακα μπορούν να σχεδιαστούν «χρησιμοποιώντας τους κανόνες της φυσικής και της χημείας» και οι δεσμευτικές τους συγγένειες για πρωτεΐνες-στόχους που σχετίζονται με νόσους μπορούν να αναγνωριστούν χωρίς την ανάγκη προηγούμενων δεδομένων εκπαίδευσης. «Αφού φτιάξουμε αυτά τα εντελώς νέα μόρια στο εργαστήριο και δημιουργήσουμε πειραματικά δεδομένα, η τεχνητή νοημοσύνη μπορεί να εκπαιδευτεί σε αυτό το νέο σύνολο δεδομένων για να βρει παραλλαγές ως μέρος της υποψήφιας διαδικασίας βελτιστοποίησης και να μας βοηθήσει να εντοπίσουμε τα καλύτερα για να προχωρήσουμε σε κλινικές δοκιμές», περιγράφει η Prakash.
Αναδυόμενες κατευθύνσεις στην έρευνα AI
Πέρα από καθιερωμένες εφαρμογές, οι νέες προσεγγίσεις που βασίζονται στην τεχνητή νοημοσύνη κερδίζουν την προσοχή στη φαρμακοβιομηχανία. Ένας τέτοιος τομέας είναι η ανάπτυξη «εικονικών κυττάρων», τα οποία στοχεύουν στην ψηφιακή μοντελοποίηση βιολογικών συστημάτων .Ο Ντέμης Χασάμπης, Διευθύνων Σύμβουλος της DeepMind και συνδημιουργός του AlphaFold, το περιγράφει ως μακροπρόθεσμο στόχο. «Το όνειρό μου είναι να έχω τελικά εικονικά κελιά, όπως μια προσομοίωση ενός εικονικού κυττάρου. Είμαστε ίσως δέκα χρόνια μακριά από αυτό», είπε στη σύνοδο κορυφής Pharma and Biotech των Financial Times (FT) στο Λονδίνο στις 6 Νοεμβρίου 2024.
Τα εικονικά κύτταρα θα μπορούσαν να επιτρέψουν στους ερευνητές να τρέξουν σε πειράματα πυριτίου, προσομοιώνοντας τα αποτελέσματα φαρμάκων ή γενετικών τροποποιήσεων χωρίς να χρειάζεται να διεξάγουν δαπανηρές και χρονοβόρες εργαστηριακές δοκιμές. Η Regina Barzilay PhD, επικεφαλής της σχολής τεχνητής νοημοσύνης στο Τεχνολογικό Ινστιτούτο της Μασαχουσέτης (MIT), θεωρεί ότι αυτό είναι ένας τρόπος αντιμετώπισης μιας θεμελιώδους πρόκλησης στη βιολογία – την πολυπλοκότητα της μετάφρασης των πειραματικών αποτελεσμάτων μεταξύ των ειδών.
Πολλές αποτυχίες στην ανάπτυξη φαρμάκων προέρχονται από διαφορές μεταξύ πειραματικών μοντέλων και ανθρώπων, εξηγεί ο Barzilay. Τα εικονικά μοντέλα θα μπορούσαν να παρέχουν πληροφορίες για την ασφάλεια και την αποτελεσματικότητα ενός φαρμάκου προτού προχωρήσουν σε κλινικές δοκιμές, μειώνοντας ενδεχομένως το κόστος και τα ποσοστά αποτυχίας.
Το Generative AI είναι ένας άλλος αναδυόμενος τομέας με σημαντικές επιπτώσεις. Σχεδιάζοντας νέες πρωτεΐνες ή μικρά μόρια προσαρμοσμένα σε συγκεκριμένους θεραπευτικούς στόχους, τα παραγωγικά μοντέλα βοηθούν τους ερευνητές να δημιουργήσουν στοχευμένες λύσεις για πολύπλοκες ασθένειες. Ο Barzilay τονίζει ότι ενώ αυτά τα εργαλεία εξελίσσονται ακόμη, βελτιώνουν ήδη την ικανότητα πρόβλεψης μοριακών αλληλεπιδράσεων και σχεδιασμού αποτελεσματικών ενώσεων.
Η μείωση του κόστους οδηγεί τις επενδυτικές προτεραιότητες
Ένας από τους πιο πολλά υποσχόμενους τομείς για την τεχνητή νοημοσύνη – και αυτός που έχει πραγματοποιήσει πολλές επενδύσεις σύμφωνα με την Choi – είναι η ικανότητά του να περιορίζει τον χώρο αναζήτησης για υποψήφια μόρια. Βοηθώντας τους ερευνητές να επικεντρωθούν στις πιο βιώσιμες επιλογές και συντομεύοντας την διαδικασία , η τεχνητή νοημοσύνη μπορεί να μειώσει το κόστος και να επιταχύνει τα χρονοδιαγράμματα.
Οι μεγαλύτερες δυνατότητες του AI έγκειται στην ικανότητά του να κάνει την ανακάλυψη φαρμάκων πιο αποτελεσματική και οικονομικά αποδοτική. Μειώνοντας την αβεβαιότητα και βελτιώνοντας τη λήψη αποφάσεων νωρίς στη διαδικασία, η τεχνητή νοημοσύνη μπορεί να μειώσει το κόστος ανάπτυξης και να αυξήσει τα ποσοστά επιτυχίας.
Αυτή η επιτάχυνση θα μπορούσε να έχει μετρήσιμο αντίκτυπο στην οικονομία της ανάπτυξης φαρμάκων. Ο Choi εκτιμά ότι το κόστος για την επίτευξη μιας ανάγνωσης Φάσης Ι θα μπορούσε να μειωθεί από πάνω από 100 εκατομμύρια $, σε ορισμένες περιπτώσεις, σε 70 εκατομμύρια $. Το χαμηλότερο κόστος θα επιτρέψει σε περισσότερες εταιρείες να ακολουθήσουν καινοτόμες θεραπείες, αυξάνοντας ενδεχομένως τον αριθμό των νέων φαρμάκων που θα εγκριθούν τα επόμενα χρόνια.
Πηγή: clinicaltrialsarena.com
