Paātrināta zāļu atklāšana un izstrāde, izmantojot mākslīgo intelektu

Uzziniet par priekšrocībām un izaicinājumiem, ieviešot mākslīgā intelekta risinājumus visā farmācijas jomas vērtību ķēdē.

Pārlūkojiet zinātņu par dzīvību risinājumus

Farmācijas jomas efektivitātes un inovāciju paātrināšana ar AI

Uzziniet, kā mākslīgais intelekts ir gatavs pārveidot zāļu atklāšanu un izstrādi, tostarp palīdzot samazināt zāļu izstrādes izmaksas un ātrāk nodrošināt dzīvību glābjošus medikamentus pacientiem.

Galvenie secinājumi

Farmācijas nozare piedzīvo būtisku transformāciju, ko iespējamu padarīja mākslīgais intelekts.
Lai labāk atbalstītu veselības aprūpes speciālistus un viņu pacientus, farmācijas uzņēmumiem jāpaātrina zāļu atklāšanas un izstrādes procesi, vienlaikus kontrolējot pieaugošās izmaksas.
Mākslīgais intelekts var palīdzēt galvenajos zāļu atklāšanas procesa posmos, tostarp identificējot slimību proteīnus un analizējot, kuri savienojumi visefektīvāk mijiedarbosies ar proteīniem.
Mākslīgais intelekts arī racionalizē zāļu izstrādes procesu, analizējot milzīgu datu apjomu, identificējot shēmas un prognozējot rezultātus.
Farmācijas uzņēmumiem, kas ievieš mākslīgo intelektu, jāpārvar izaicinājumi, piemēram, datu kvalitātes uzturēšana un darbinieku atrašana ar pareizo tehnisko un zinātnisko prasmju kombināciju. Uzziniet, kā mākslīgā intelekta aģenti pārveido uzņēmējdarbības operācijas.
Skatoties nākotnē, farmācijas nozare redzēs vairāk partnerattiecību starp farmācijas un tehnoloģiju uzņēmumiem, kā arī lielākas investīcijas medicīniskajās tehnoloģijās un mākslīgā intelekta jaunuzņēmumos.

Jauno zāļu pieaugošās izmaksas

Veids, kā veselības aprūpes speciālisti rūpējas par pacientiem, strauji mainās. Viņi arvien vairāk izmanto personalizētu pacientu informāciju, lai balstītos uz to, pieņemot medicīniskus lēmumus. Šī pieeja, ko sauc par precizitātes medicīnu, kļūst arvien izplatītāka, jo pētnieki risina sarežģītas veselības problēmas un farmācijas joma cenšas samazināt laiku un naudu, kas nepieciešama dzīvību glābjošu zāļu izstrādei.

Pašlaik jaunu zāļu ienākšana tirgū farmācijas uzņēmumiem ir ļoti ilgs un dārgs process. Saskaņā ar nesenajiem Taconic Biosciences datiem vienu zāļu izstrādei ir nepieciešami aptuveni 2,6 miljardi USD un vairāk nekā 10 gadi. Un, kad zāles ir izstrādātas, 88% jauno zāļu kandidātu neiegūst FDA (Pārtikas un zāļu pārvaldes) apstiprinājumu.

Labā ziņa ir tā, ka mākslīgajam intelektam ir neticams potenciāls paātrināt zāļu atklāšanas un izstrādes procesu.

Kā AI racionalizē zāļu atklāšanu

Pirmais solis, veidojot vairākumu zāļu, ir tāda savienojuma sintezēšana, kas spēj piesaistīt un modulēt slimībā iesaistīto mērķa molekulu, kas parasti ir proteīns. Lai atrastu pareizos savienojumu, pētnieki pārskata tūkstošiem iespējamo kandidātu. Tiklīdz mērķis ir identificēts, pētnieki pārskata apjomīgas līdzīgu savienojumu bibliotēkas, lai atrastu optimālu mijiedarbību ar slimības proteīnu.

Šobrīd, lai nonāktu līdz šādam punktam, ir nepieciešami vairāk nekā desmit gadi un simtiem miljoni dolāru. Bet medicīniskās tehnoloģijas, kas izmanto mākslīgo intelektu un mašīnmācīšanos (MM), var racionalizēt procesu, samazinot laiku un naudu, kas nepieciešami, lai farmācijas uzņēmumi izlaistu jaunus medikamentus. Piemēram, šīs tehnoloģijas var:

Molekulu bibliotēku pārskatīšana

Bibliotēkas, kas tiek pārskatītas saistībā ar molekulu kandidātiem, ir tik lielas, ka cilvēkiem-pētniekiem ir gandrīz neiespējami visu pārskatīt pašiem. Savukārt, AI var ātri identificēt iespējamos mērķa savienojumus milzīgās datu kopās, ietaupot pētniekiem simtiem laboratorijā pavadāmu stundu.

Savienojuma īpašību paredzēšana

Tradicionālajā zāļu atklāšanas procesā ir iesaistīta laikietilpīga izmēģinājumu un kļūdu metode. Medicīnas tehnoloģiju risinājumi apvienojumā ar AI un ML var palīdzēt paātrināt šo procesu, prognozējot potenciālo savienojumu īpašības, nodrošinot, ka sintēzei tiek izvēlēti tikai tie savienojumi, kam ir vajadzīgais raksturs. Tas pētniekus atbrīvo no darba ar savienojumiem, kas, visticamāk, nav efektīvi.

Jaunu savienojumu izgudrošana

Veicot skrīningu, tiek iegūts maz daudzsološu rezultātu, AI var pat meklēt idejas pilnīgi jauniem savienojumiem, kas atbilst vēlamajiem parametriem un kam ir lielāka panākumu iespēja.

Kā AI palīdz pētniekiem

Apsveriet, kā pētnieki var lietot mākslīgā intelekta risinājumus, lai atbalstītu galvenos zāļu atklāšanas procesa posmus.

Pētnieki veic šādas darbības:

1. darbība: Precīzi nosakiet molekulu, kuru var izmantot vēlamajam mērķim.
2. darbība: Veiciet eksperimentus, lai apstiprinātu, ka mērķis ir iesaistīts slimības progresēšanā.
3. darbība: Identificējiet vai izveidojiet savienojumu, kas mijiedarbojas ar mērķi.
4. darbība: Optimizējiet izvēlēto savienojumu, lai tas būtu efektīvs un drošs.

Ar AI palīdzību viņi var:

1. darbība: Atrodiet citus iespējamos mērķus.
2. darbība: Palieliniet eksperimentu panākumu līmeni.
3. darbība: Izslēdziet savienojumus, kuriem nav iespējama mijiedarbība.
4. darbība: Paātriniet procesu, izmantojot intelektisko analīzi.

Kā AI tiek izmantots klīniskajos izmēģinājumos

Saskaņā ar Taconic Biosciences informāciju tikai 12% zāļu kandidātu, kas ieiet klīnisko izmēģinājumu posmā, tiek apstiprināti no normatīvo iestāžu puses. Zāļu izveides procesa visgarākais un visdārgākais posms, klīniskie izmēģinājumi, ietver vairākas cilvēku testēšanas fāzes, un katrā fāzē ir iesaistīti simtiem vai tūkstošiem dalībnieku.

Tradicionālais lineārais nejaušu kontrolēto izmēģinājumu (randomized controlled trials — RCT) process nav mainījies gadu desmitiem. Tam trūkst elastības, ātruma un analītiskās jaudas, kas nepieciešama precizitātes medicīnas modeļa attīstībai. Uzņēmumiem ir grūtības atrast pareizos dalībniekus, nemaz nerunājot par darbinieku darbā pieņemšanu, noturēšanu un efektīvu pārvaldību. Šī procesa neefektivitāte būtiski veicina pieaugošās zāļu atklāšanas un izstrādes izmaksas, kā arī zemo apstiprinājumu līmeni. Tas arī kavē inovācijas.

Farmācijas uzņēmumi var lietot prognozējošus mākslīgā intelekta modeļus visā klīnisko pētījumu posmā zāļu izstrādē, sākot no dizaina līdz datu analīzei, lai palīdzētu:

Identificēt piemērotus pacientus, veicot publiski pieejamā satura datizraci.
Novērtēt izmēģinājumu vietas veiktspēju reāllaikā.
Automatizējot datu koplietošanu dažādās platformās.
Sniedzot datus gala atskaitēm.

Algoritmu apvienošana ar efektīvu tehnoloģiju infrastruktūru nodrošina, ka konstantā klīnisko datu straume tiek efektīvi tīrīta, apkopota, uzglabāta un pārvaldīta. Tādējādi pētnieki var labāk izprast zāļu drošību un efektivitāti bez nepieciešamības manuāli apkopot un analizēt apjomīgās datu kopas, kas ģenerētas izmēģinājumu laikā.

Barjeras AI ieviešanai farmācijas jomā

Lai gan mākslīgā intelekta izmantošana kļūst arvien izplatītāka zāļu atklāšanas un izstrādes procesos, joprojām pastāv šķēršļi tā ieviešanai. Šeit ir daži izaicinājumi, ar kuriem uzņēmumi bieži saskaras:

Datu kvalitāte

Bieži minēts izaicinājums daudzās nozarēs ir tas, ka nepietiekami dati var ātri samazināt mākslīgā intelekta un mašīnmācīšanās lietderību. Zāļu pētniekiem zemas kvalitātes dati padara medicīnas tehnoloģijas par neuzticamām un galu galā neprecīzām, nenoderīgām vai laiku netaupošām, salīdzinot ar tradicionālajām metodēm.

Bažas

Vairākumā nozaru ir nepareiza izpratne par to, ka tehnoloģijas ar laiku pilnībā aizstās darbiniekus. Farmācijas nozare nav izņēmums. Un, lai gan ir patiesība, ka mākslīgais intelekts var ātrāk izanalizēt lielus datu apjomus nekā cilvēki, tas nav aizvietotājs prasmīgiem pētniekiem un klīnisko pētījumu veicējiem.

Prasmju trūkums

Medicīnas tehnoloģiju ieviešanai zāļu atklāšanas procesā ir nepieciešamas jaunas prasmes. Lai saglabātu datus tīrus un mākslīgo intelektu efektīvu, uzņēmumiem nepieciešami darbinieki ar ne tikai tehniskām prasmēm, bet arī izpratni par zinātnisko procesu, piemēram, zāļu izstrādi, bioloģiju un ķīmiju. Tas ir garš prasību saraksts, kas uzņēmumiem ir grūti izpildāms.

AI nākotne farmācijas jomā

Ar mākslīgā intelekta palīdzību pētnieki var būt inovatīvāki, klīnisko pētījumu veicēji var labāk apmierināt precizitātes medicīnas prasības, un farmācijas uzņēmumi var ātrāk laist tirgū dzīvībai svarīgas zāles.

Pašreizējās tendences norāda, ka mākslīgā intelekta transformācija, kas notiek farmācijas nozarē jau šodien, turpināsies arī nākotnē. Piemēram, katru gadu pieaug partnerību skaits starp farmācijas un tehnoloģiju uzņēmumiem, kā arī tiek veiktas milzīgas investīcijas medicīnisko tehnoloģiju un mākslīgā intelekta jaunuzņēmumos.

Lielie farmācijas uzņēmumi arī arvien vairāk koplieto datus. The Machine Learning Ledger Orchestration for Drug Discovery jeb MELLODDY ir konsorcijs, kas sekmē datu koplietošanu starp desmitiem tā dalībnieku. MELLODDY izmanto uz blokķēdi balstītu sistēmu, kas uzņēmumiem ļauj koplietot datus, uz ko attiecas īpašumtiesības, vienlaikus saglabājot konfidencialitāti. Pētnieki var izmantot esošos datus, lai ātri uzsāktu zāļu atklāšanas procesu un ietaupītu vairākus izstrādei veltāmos gadus.

Resursi

Pārlūkot Microsoft nozares risinājumus

Modernizējiet savu izpēti un attīstību (R&D) un ātrāk nodrošiniet jaunus produktus ar mākslīgā intelekta risinājumiem, kas darbojas Microsoft Cloud.

Papildinformācija