Ubrzavanje otkrivanja i razvoja lijekova uz umjetnu inteligenciju

Saznajte više o prednostima i izazovima implementacije AI rješenja u farmaceutskom lancu vrijednosti.

Povećanje učinkovitosti i inovacija u farmaciji uz pomoć umjetne inteligencije

Saznajte kako je umjetna inteligencija spremna transformirati otkrivanje i razvoj lijekova, uključujući pomoć u smanjenju troškova razvoja lijekova i bržem pružanju tretmana koji spašavaju život pacijentima.

Glavni zaključci

Farmaceutska industrija prolazi kroz značajnu transformaciju omogućenu umjetnom inteligencijom.
Kako bi pružili bolju podršku zdravstvenim radnicima i njihovim pacijentima, farmaceutske tvrtke moraju ubrzati procese otkrivanja i razvoja lijekova uz kontrolu rastućih troškova.
AI može pomoći u ključnim koracima procesa otkrivanja lijeka, uključujući identificiranje proteina bolesti i analiziranje koji će spojevi najučinkovitije djelovati s proteinima.
AI također usmjerava proces razvoja lijekova analizirajući ogromne količine podataka, identificirajući obrasce i predviđajući ishode.
Farmaceutske tvrtke koje usvajaju AI moraju prevladati izazove kao što su održavanje kvalitete podataka i pronalaženje radnika s pravom kombinacijom tehničkih i znanstvenih vještina. Saznajte kako agenti AI transformiraju poslovne operacije.
Gledajući u budućnost, farmaceutska industrija vidjet će više partnerstava između farmaceutskih i tehnoloških tvrtki i veća ulaganja u startupe za medicinu i umjetnu inteligenciju.

Rastući troškovi novih lijekova

Način na koji se zdravstveni djelatnici liječe pacijente brzo se mijenja. Sve više koriste personalizirane informacije o pacijentima kako bi usmjerili medicinske odluke. Ovaj pristup, poznat kao precizna medicina, postaje sve češći kako se istraživači bave složenim zdravstvenim problemima, a farmacija nastoji smanjiti vrijeme i novac koji su potrebni za razvoj lijekova koji spašavaju život.

Trenutačno je lansiranje novog lijeka na tržište iznimno dug i skup proces za farmaceutske tvrtke. Prema nedavnim podacima od tvrtke Taconic Biosciences, jedan lijek zahtijeva oko 2,6 milijardi USD i više od 10 godina za razvoj. A kada se razviju, 88% novih kandidata za lijekove ne uspije dobiti odobrenje FDA.

Dobra je vijest da AI ima nevjerojatni potencijal za ubrzavanje procesa otkrivanja i razvoja lijekova.

Kako AI pojednostavljuje otkrivanje lijekova

Prvi korak u stvaranju većine lijekova jest sintetiziranje spojeva koji se mogu vezati i modulirati ciljnu molekulu, obično protein, koja je uzročnik bolesti. Da bi pronašli pravi spoj, istraživači pregledavaju na tisuće potencijalnih spojeva. Kada se određeni cilj identificira, istraživači probiru ogromne biblioteke sličnih spojeva da bi pronašli optimalnu interakciju s proteinom koji izaziva bolest.

Trenutno je potrebno više od deset godina i stotine milijuna dolara da bi se došlo do te točke. No medicinska tehnologija koja koristi AI i strojno učenje može pojednostavniti taj proces, što će farmaceutskim tvrtkama skratiti vrijeme i trošak izlaska lijeka na tržište. Te tehnologije, primjerice, mogu:

Biblioteke češlja molekula

Biblioteke koje se pretražuju u pogledu mogućih molekula tako su goleme da je gotovo nemoguće da ih ljudi sami pregledaju. Umjetna inteligencija, s druge strane, može brzo prepoznati potencijalne ciljne spojeve u ogromnim skupovima podataka i istraživačima uštedjeti na stotine sati u laboratoriju.

Predvidjeti svojstva spojeva

Klasični proces otkrivanja lijekova obuhvaća dugotrajno ispitivanje i pogreške. Rješenja medicinske tehnologije u kombinaciji s umjetnom inteligencijom i strojnim učenjem mogu ubrzati taj proces predviđanjem svojstava potencijalnih spojeva, čime se osigurava da se samo oni sa željenim svojstvima odabiru za sintezu. Time se istraživačima štedi rad na spojevima koji vjerojatno neće biti učinkoviti.

Izumiti nove spojeve

Kada provjera daje obećavajući rezultat, umjetna inteligencija može čak iznjedriti ideje za posve nove spojeve koji odgovaraju željenim parametrima i imaju veću vjerojatnost uspjeha.

Kako AI pomaže istraživačima

Razmislite kako istraživači mogu koristiti AI rješenja za podršku ključnim koracima procesa otkrivanja lijekova.

Istraživači provode sljedeće korake:

1. korak: Točno odredite molekulu koja se može "liječiti" za ciljanje.
2. korak: Provedite eksperimente kako biste potvrdili da je cilj uključen u napredovanje bolesti.
3. korak: Odredite ili stvorite spoj koji stupa u interakciju s metom.
4. korak: Optimizirajte odabrani spoj radi učinkovitosti i sigurnosti.

Uz pomoć umjetne inteligencije mogu učiniti sljedeće:

1. korak: Pronađite više potencijalnih ciljeva.
2. korak: Povećajte stopu uspješnosti eksperimenta.
3. korak: Odjaviti spojeve koji vjerojatno neće komunicirati.
4. korak: Ubrzajte proces pomoću inteligentne analize.

Kako se AI koristi u kliničkim ispitivanjima

Prema tvrtki Taconic Biosciences, samo 12% kandidata za lijekove koji uđu u fazu kliničkog ispitivanja odobreno je od regulatornih tijela. Najdulja i najskuplja faza procesa razvoja lijekova, klinička ispitivanja, uključuju više faza testiranja na ljudima, a svaka faza uključuje na stotine ili tisuće ispitanika.

Tradicionalni linearni proces randomiziranih kontroliranih ispitivanja (RCT) nije se promijenio desetljećima. Nedostaje mu fleksibilnost, brzina i analitička moć potrebna za uspjeh modela precizne medicine. Tvrtke se bore s pronalaženjem odgovarajućih ispitanika, a da ne spominjemo angažiranje, zadržavanje i učinkovito upravljanje njima. Ova neučinkovitost procesa znatno pridonosi rastućim troškovima otkrivanja i razvoja lijekova, kao i niskim stopama odobrenja. Također ometa inovacije.

Farmaceutske tvrtke mogu upotrebljavati prediktivne modele umjetne inteligencije u fazi kliničkog ispitivanja razvoja lijekova, od dizajna do analize podataka, kako bi pomogle:

Identificirajte odgovarajuće pacijente rudarenjem javno dostupnog sadržaja.
procjeni učinkovitosti istraživačkog centra u stvarnom vremenu
automatizaciji razmjene podataka na svim platformama
dohvaćanju podataka za konačna izvješća

Povezivanje algoritama i učinkovite tehničke infrastrukture omogućuje da se to stalno pritjecanje kliničkih podataka pročišćava, agregira i pohranjuje te da se njima učinkovito upravlja. Tako istraživači mogu bolje utvrditi sigurnost i učinkovitost lijekova bez potrebe za ručnim razvrstavanjem i analiziranjem velikih skupova podataka generiranih kliničkim ispitivanjima.

Prepreke za usvajanje umjetne inteligencije u farmaciji

Iako je uporaba umjetne inteligencije sve raširenija u procesima otkrivanja i razvoja lijekova, još uvijek postoje prepreke usvajanju. Evo nekoliko izazova s kojima se tvrtke često suočavaju:

Kvaliteta podataka

Jedan od problema koji se navodi u mnogim djelatnostima jest to što loši podaci mogu brzo poništiti pomoć umjetne inteligencije i strojnog učenja. Za istraživače lijekova podaci niske kvalitete medicinsku tehnologiju čine nepouzdanom te, kad se sve zbroji, ne puno preciznijom, korisnijom ni ekonomičnijom od klasičnih metoda.

Strah

U većini djelatnosti postoji pogrešna slika da će tehnologija u konačnici potpuno zamijeniti ljudski rad. Ni farmaceutska industrija nije iznimka. I dok je istina da AI može analizirati velike skupove podataka brže od ljudi, to nije zamjena za vješte istraživače i kliničare.

Nedostatak potrebnog znanja

Za implementaciju medicinske tehnologije u proces otkrivanja lijekova potrebno je specifično znanje. Da bi podaci ostali pročišćeni i umjetna inteligencija djelotvorna, tvrtke trebaju zaposlenike s ne samo tehničkim znanjima, već i one koji razumiju znanstvenu stranu tog procesa, kao što su razvoj lijekova, biologija i kemija. To su zahtjevi koje tvrtke teško ispunjavaju.

Budućnost umjetne inteligencije u farmaceutskoj industriji

Uz pomoć umjetne inteligencije, istraživači mogu biti inovativniji, kliničari mogu bolje zadovoljiti zahtjeve precizne medicine, a farmaceutske tvrtke mogu brže staviti na tržište lijekove koji mijenjaju život.

Trenutačni trendovi pokazuju da će se transformacija umjetne inteligencije koja se danas događa u farmaceutskoj industriji nastaviti i u budućnosti. Na primjer, svake godine raste broj partnerstava između farmaceutskih i tehnoloških tvrtki, kao i ogromna ulaganja u startupe za medicinu i umjetnu inteligenciju.

Velike farmaceutske tvrtke također sve više dijele podatke. Machine Learning Ledger Orchestration for Drug Discovery odnosno MELLODDY zajednica je za razmjenu podataka između desetaka svojih članova. MELLODDY koristi sustav utemeljen na lancu blokova koji tvrtkama omogućuje dijeljenje vlasničkih podataka uz zadržavanje povjerljivosti. Istraživači mogu koristiti postojeće podatke da bi započeli proces otkrivanja lijekova i uštedjeli godine i godine razvoja.

Resursi

Istražite Microsoftova industrijska rješenja

Modernizirajte svoje istraživanje i razvoj (R&D) i brže isporučite nove proizvode s AI rješenjima koja rade na Microsoftovu oblaku.

Saznajte više