This is the Trace Id: 187a736bb9bce808efdcd91aa917e4fa
Przejdź do głównej zawartości
Branża

Przyspieszanie odkrywania i opracowywania leków z wykorzystaniem AI

Poznaj zalety i wyzwania związane z wdrażaniem rozwiązań AI w całym łańcuchu wartości branży farmaceutycznej.
Odkrywaj rozwiązania z zakresu nauk biologicznych

Zwiększanie efektywności i innowacyjności w farmacji dzięki AI

Dowiedz się, w jaki sposób AI może zmienić proces odkrywania i opracowywania leków, w tym pomóc w obniżeniu kosztów rozwoju leków i szybszym dostarczaniu ratujących życie terapii pacjentom.

Kluczowe wnioski

  • Branża farmaceutyczna przechodzi istotną transformację, która stała się możliwa dzięki AI.
  • Aby lepiej wspierać pracowników służby zdrowia i ich pacjentów, firmy farmaceutyczne muszą przyspieszyć procesy odkrywania i rozwoju leków, a jednocześnie kontrolować rosnące koszty.
  • AI może wspierać kluczowe etapy procesu odkrywania leków, w tym identyfikację białek chorobotwórczych i analizę, które związki będą najskuteczniej oddziaływać z tymi białkami.
  • AI usprawnia również proces opracowywania leków, ponieważ analizuje ogromne ilości danych, identyfikuje wzorce i przewiduje wyniki.
  • Firmy farmaceutyczne, które wdrażają AI, muszą pokonać wyzwania, takie jak utrzymanie jakości danych i znalezienie pracowników z odpowiednią kombinacją umiejętności technicznych i naukowych. Dowiedz się, jak agenci AI przekształcają operacje biznesowe.
  • W przyszłości w branży farmaceutycznej pojawi się więcej partnerstw między firmami farmaceutycznymi a technologicznymi oraz zwiększą się inwestycje w technologie medyczne i startupy AI.

Rosnące koszty nowych leków

Sposób leczenia pacjentów przez pracowników opieki zdrowotnej gwałtownie się zmienia. Coraz częściej do podejmowania decyzji medycznych wykorzystuje się spersonalizowane informacje o pacjentach. Takie podejście, nazywane medycyną precyzyjną, staje się coraz powszechniejsze, ponieważ badacze starają się rozwiązywać złożone problemy związane ze zdrowiem, a branża farmaceutyczna próbuje skracać czas potrzebny do opracowania leków ratujących życie.

Obecnie wprowadzenie nowego leku na rynek jest dla firm farmaceutycznych ekstremalnie długim i drogim procesem. Zgodnie z danymi z Taconic Biosciences pojedynczy lek kosztuje około 2,6 miliarda USD, a jego opracowanie trwa ponad 10 lat. A po opracowaniu 88% nowych potencjalnych leków nie uzyskuje zatwierdzenia FDA.

Na szczęście w SI drzemie olbrzymi potencjał do przyspieszania procesu odkrywania i opracowywania leków.

Jak AI usprawnia odkrywanie leków

Przy tworzeniu większości leków pierwszym krokiem jest synteza związku, który potrafi wiązać się z docelową molekułą powiązaną z chorobą — zwykle białkiem — i na nią wpływać. Aby znaleźć właściwy związek, badacze sprawdzają tysiące potencjalnych kandydatów. Gdy związek uda się zidentyfikować, badacze przeczesują olbrzymie biblioteki zbliżonych związków, aby znaleźć optymalną interakcję z białkiem choroby.

Aby obecnie dotrzeć do tego miejsca, potrzeba ponad dekady i setek milionów dolarów. Jednak technologie medyczne stosujące AI i uczenie maszynowe (ML) potrafią uprościć cały proces, skracając czas i obniżając koszty, ponoszone przez firmy farmaceutyczne w celu wypuszczenia na rynek nowych leków. Możliwości takich technologii to na przykład:

Przeczesywanie bibliotek molekuł

Biblioteki przeszukiwane pod kątem pasujących molekuł są tak olbrzymie, że jest niemalże niemożliwe, aby badacze przeglądali wszystko samodzielnie. Natomiast sztuczna inteligencja potrafi szybko zidentyfikować potencjalne docelowe związki w olbrzymich zbiorach danych, oszczędzając badaczom setek godzin pracy w laboratorium.

Przewidywanie właściwości związków

Tradycyjny proces odkrywania leku obejmuje czasochłonne badania metodą prób i błędów. Rozwiązania z dziedziny technologii medycznych w połączeniu ze sztuczną inteligencją i uczeniem maszynowym mogą pomóc w przyspieszeniu tego procesu, przewidując właściwości potencjalnych związków i zapewniając, że tylko te o pożądanym składzie zostaną wybrane do syntezy. Dzięki temu badacze nie muszą pracować nad związkami, które prawdopodobnie nie będą skuteczne.

Wynajdywanie nowych związków

Gdy w wyniku przeczesywania uda się znaleźć niewiele obiecujących wyników, sztuczna inteligencja może nawet przeprowadzić rodzaj burzy mózgów w poszukiwaniu pomysłu na zupełnie nowe związki, które mają żądane parametry i wyższe prawdopodobieństwo skuteczności.

Jak AI wspiera badaczy

Zastanów się, jak badacze mogą wykorzystać rozwiązania AI do wsparcia kluczowych etapów procesu odkrywania leków.

Badacze wykonują następujące kroki:

Krok 1: Znalezienie cząsteczki, którą możną przeciwdziałać docelowemu czynnikowi chorobotwórczemu.
Krok 2: Przeprowadzenie eksperymentów w celu potwierdzenia, że docelowa czynnik chorobotwórczy jest zaangażowany w postęp choroby.
Krok 3: Zidentyfikowanie lub stworzenie związku, który wchodzi w interakcję z docelowym czynnikiem chorobotwórczym.
Krok 4: Zoptymalizowanie wybranego związku pod kątem skuteczności i bezpieczeństwa.

Dzięki AI mogą:

Krok 1: Znajdują więcej potencjalnych celów.
Krok 2: Zwiększają współczynnik powodzenia eksperymentów.
Krok 3: Wykluczają związki, które prawdopodobnie nie będą wchodzić w interakcje.
Krok 4: Przyspieszają ten proces dzięki inteligentnej analizie.

Wykorzystywanie AI w badaniach klinicznych

Według danych firmy Taconic Biosciences jedynie 12% kandydatów na leki trafiających do etapu badań klinicznych jest zatwierdzanych przez organy regulacyjne. Badania kliniczne są najdłuższym i najdroższym etapem w procesie tworzenia leku. Obejmują wiele faz badań na ludziach, a w każdej fazie biorą udział setki lub tysiące osób.

Tradycyjny liniowy proces randomizowanych badań kontrolowanych (RCT) nie zmienił się od dziesięcioleci. Brakuje mu elastyczności, szybkości i mocy analitycznej niezbędnej do rozwoju modelu medycyny precyzyjnej. Firmy mają problemy ze znajdowaniem właściwych uczestników badań, nie wspominając już o ich rekrutacji i utrzymaniu oraz efektywnym zarządzaniu. Brak efektywności tego procesu znacznie przyczynia się do wzrostu kosztów odkrywania i opracowywania leków (obok niskiego wskaźnika akceptacji). To również hamuje innowacje.

Firmy farmaceutyczne mogą przy opracowywaniu leku używać modeli predykcyjnych sztucznej inteligencji podczas całego etapu badań klinicznych, od projektowania aż po analizę danych. W ten sposób uzyskują pomoc w:

  • Identyfikowaniu kwalifikujących się pacjentów przez przeszukiwanie publicznie dostępnych danych.
  • Ocenie wyników ośrodka badań w czasie rzeczywistym.
  • Automatyzowaniu udostępniania danych na różnych platformach.
  • Udostępnianiu danych do raportów końcowych.
Sprzęgnięcie algorytmów z wydajną infrastrukturą techniczną gwarantuje, że ciągły strumień danych klinicznych jest oczyszczany, agregowany, zapisywany i skutecznie zarządzany. Dzięki temu badacze mogą lepiej zrozumieć bezpieczeństwo i skuteczność leku bez konieczności ręcznego zestawiania i analizowania olbrzymich zbiorów danych będących wynikiem badań.

Bariery we wdrażaniu AI w branży farmaceutycznej

Chociaż wykorzystanie AI staje się coraz powszechniejsze w procesach odkrywania i opracowywania leków, nadal istnieją bariery w jej wdrażaniu. Oto niektóre wyzwania, z którymi firmy często się borykają:

Jakość danych

Częstym problemem w wielu branżach jest to, że kiepskie dane szybko ograniczają przydatność sztucznej inteligencji i uczenia maszynowego. W przypadku badaczy zajmujących się lekami niskiej jakości dane czynią technologie medyczne niewiarygodnymi i, ostatecznie, nie bardziej dokładnymi, pomocnymi czy oszczędzającymi czas niż tradycyjne metody.

Obawy

W większości branż pokutuje błędne przekonanie, jakoby ta technologia miała ostatecznie całkowicie wyprzeć ludzi z ich miejsc pracy. Przemysł farmaceutyczny nie jest wyjątkiem. I chociaż faktycznie sztuczna inteligencja potrafi szybciej analizować duże zbiory danych szybciej niż ludzie, nie zastąpi wykwalifikowanych badaczy i lekarzy.

Niedobór umiejętności

Wdrażanie technologii medycznych w procesie odkrywania leków wymaga niszowego zestawu umiejętności. Aby dane pozostały czyste, a sztuczna inteligencja skuteczna, firmy potrzebują pracowników nie tylko o umiejętnościach technicznych, lecz także rozumiejących naukową stronę procesu, np. projektowanie leków, biologię i chemię. Ze spełnieniem tego warunku firmy mają spore kłopoty.

Przyszłość sztucznej inteligencji w farmacji

Dzięki AI badacze mogą być bardziej innowacyjni, lekarze lepiej spełniać wymagania medycyny precyzyjnej, a firmy farmaceutyczne szybciej wprowadzać na rynek leki zmieniające życie.

Obecne trendy wskazują, że transformacja AI, która zachodzi w przemyśle farmaceutycznym, będzie kontynuowana w przyszłości. Na przykład co roku nawiązywanych jest coraz więcej partnerstw między firmami farmaceutycznymi i technologicznymi oraz inwestowane są ogromne środki w startupy zajmujące się technologiami medycznymi i sztuczną inteligencją.

Główne firmy farmaceutyczne coraz częściej dzielą się danymi. Machine Learning Ledger Orchestration for Drug Discovery, w skrócie MELLODDY, to konsorcjum ułatwiające współdzielenie danych między dziesiątkami członków. MELLODDY stosuje system oparty na łańcuchu bloków, który pozwala firmom udostępniać autorskie dane z zachowaniem poufności. Badacze mogą wykorzystywać istniejące dane, aby szybciej rozpoczynać swój proces odkrywania leków i skrócić czas opracowywania o całe lata.
Zasoby

Odkryj rozwiązania branżowe firmy Microsoft

Zmodernizuj swoje badania i rozwój (R&D) i dostarczaj nowe produkty szybciej dzięki rozwiązaniom AI działającym w usłudze Microsoft Cloud.
Dowiedz się więcej