Snabbare identifiering och utveckling av läkemedel med AI

Lär dig mer om fördelarna och utmaningarna med att distribuera AI-lösningar i hela läkemedelskedjan.

Öka effektiviteten och innovationen för läkemedel med AI

Lär dig hur AI är redo att omvandla identifiering och utveckling av läkemedel, bland annat för att minska kostnaderna för utveckling av läkemedel och få livsbesparande behandling till patienter snabbare.

Viktiga insikter

Läkemedelsbranschen genomgår en betydande omvandling som möjliggörs av AI.
För att bättre stödja sjukvårdspersonal och deras patienter måste läkemedelsföretag påskynda processerna för identifiering och utveckling av läkemedel samtidigt som de kontrollerar de eskalerande kostnaderna.
AI kan hjälpa till med viktiga steg i processen för identifiering av läkemedel, bland annat att identifiera sjukdomsmassa och analysera vilka föreningar som mest effektivt interagerar med proteinerna.
AI effektiviserar också processen för utveckling av läkemedel genom att analysera stora mängder data, identifiera mönster och förutsäga resultat.
Läkemedelsföretag som implementerar AI måste lösa utmaningar som att upprätthålla datakvaliteten och hitta arbetare med rätt kombination av tekniska och vetenskapliga kunskaper. Lär dig hur AI-agenter omvandlar affärsverksamheter.
I framtiden kommer läkemedelsbranschen att se fler partnerskap mellan läkemedelsföretag och techbolag och större investeringar i nystartade medtech- och AI-företag.

De stigande kostnaderna för nya droger

Vårdpersonalens sätt att behandla patienter förändras snabbt. De använder allt mer personlig patientinformation för att vägleda medicinska beslut. Den här metoden, som kallas precisionsmedicin, blir allt vanligare när forskare tar itu med komplexa hälsoproblem och läkemedel strävar efter att minska tiden och pengarna som krävs för att utveckla livsbesparande droger.

För närvarande är processen med att få nya läkemedel till marknaden extremt dyr och tidskrävande för läkemedelsföretag. Enligt de senaste data från Taconic Biosciences kostar ett enda läkemedel cirka 2,6 miljarder USD och över 10 år att utveckla. Och när de väl har utvecklats misslyckas 88 % av nya läkemedelskandidater med att få godkännande från FDA.

Den goda nyheten är att AI har en enorm potential att påskynda processen för identifiering och utveckling av läkemedel.

Hur AI effektiviserar drogidentifiering

Det första steget när man tar fram de flesta läkemedel är att syntetisera ett ämne som kan binda till och modulera en målmolekyl, vanligtvis ett protein, som har med en sjukdom att göra. Forskarna går igenom tusentals kandidater i jakten på rätt ämne. När forskarna har hittat ett mål genomsöker de stora register med liknande ämnen i syfte att hitta den optimala interaktionen med sjukdomsproteinet.

För närvarande tar det mer än tio år och medför kostnader på miljontals dollar för att nå dit. Men medtech som använder AI och maskininlärning (ML) kan effektivisera processen och minska tiden och pengarna som krävs för att frigöra nya droger. Dessa nya tekniker kan exempelvis:

Genomsöka molekylregister

Registren med molekylkandidater är så enormt stora att det är nästintill omöjligt för mänskliga forskare att gå igenom allt på egen hand. Däremot kan AI snabbt hitta potentiella målämnen i de stora datauppsättningarna, vilket sparar hundratals arbetstimmar i labbet.

Förutse egenskaper hos ämnen

Vid traditionell identifiering av läkemedel krävs tidsödande arbete med att testa sig fram till rätt utfall. Medicintekniklösningar som kombineras med AI och ML kan påskynda processen genom att förutse egenskaperna hos potentiella ämnen så att endast ämnen med rätt förutsättningar väljs ut för syntes. Tack vare det slipper forskarna ägna tid åt att undersöka ämnen som troligtvis inte kommer vara effektiva.

Uppfinna nya ämnen

När genomsökningen ger få lovande resultat kan AI till och med komma med förslag på helt nya ämnen som uppfyller de önskade parametrarna och har en högre sannolikhet att fungera.

Så här hjälper AI forskare

Överväg hur forskare kan använda AI-lösningar för att stödja viktiga steg i processen för identifiering av läkemedel.

Forskare utför följande steg:

Steg 1: Hitta en molekyl som kan “användas” som mål.
Steg 2: Utför experiment för att bekräfta att målet är inblandat i sjukdomsförloppet.
Steg 3: Identifiera eller skapa en sammansättning som interagerar med målet.
Steg 4: Optimera den valda sammansättningen för effektivitet och säkerhet.

Med hjälp av AI kan de:

Steg 1: Hitta fler potentiella mål.
Steg 2: Öka antalet lyckade experiment.
Steg 3: Uteslut sammansatta ämnen som sannolikt inte kommer att interagera.
Steg 4: Snabba upp processen med intelligent analys.

Hur AI används i kliniska försök

Enligt Taconic Biosciencesgodkänns endast 12 % av de läkemedelskandidater som går in i den kliniska utvärderingsfasen av regleringsorganen. Kliniska prövningar är det längsta och dyraste steget vid framställningen av nya läkemedel. De inbegriper flera faser med testning på människor med hundratals eller tusentals deltagare i varje fas.

Den traditionella linjära processen med randomiserade kontrollerade försök (RCT) har inte ändrats på årtionden. Den saknar den flexibilitet, hastighet och analytiska kapacitet som krävs för att modellen för precisionsmedicin ska kunna blomstra. Företag har svårt att hitta rätt deltagare, för att inte nämna rekrytera, behålla och hantera dem effektivt. Ineffektiviteten i den här processen bidrar avsevärt till de stigande kostnaderna för identifiering och utveckling av läkemedel, samt låga godkännandenivåer. Det förhindrar också innovation.

Läkemedelsföretag kan använda förutsägande AI-modeller inom kliniska prövningar för läkemedelsutveckling från utformningen och hela vägen till dataanalys. Detta bidrar till att:

Hitta lämpliga patienter genom att genomsöka innehåll som är offentligt tillgängligt.
Bedöma prestandan hos prövningsinrättningar i realtid.
Automatisera datadelning mellan plattformar.
Tillhandahålla data för slutliga rapporter.

Kopplingsalgoritmer med effektiv teknikinfrastruktur ser till att den konstanta strömmen med kliniska data rengörs, sammanställs, lagras och hanteras effektivt. Därmed kan forskarna få bättre förståelse för läkemedlens säkerhet och effektivitet utan att behöva samla och analysera de enorma datauppsättningar som prövningarna genererar manuellt.

Hinder för AI-införande i läkemedel

Även om användningen av AI blir allt vanligare i processer för identifiering och utveckling av läkemedel finns det fortfarande hinder för införande. Här är några utmaningar som företag ofta står inför:

Datakvalitet

En ofta citerad utmaning i många branscher är att dåliga data snabbt kan minska användbarheten hos AI och ML. För läkemedelsforskare gör data av låg kvalitet att medicintekniken blir otillförlitlig och inte ger mer noggrannhet, nytta eller tidsbesparing är de traditionella metoderna.

Farhågor

I de flesta branscher är det vanligt att tro att tekniken så småningom kommer ersätta människor helt och hållet. Läkemedelsbranschen är inget undantag. Och även om det är sant att AI kan analysera stora datamängder snabbare människor, är det inte en ersättning för erfarna forskare och läkare.

Brist på färdigheter

Implementeringen av medicinteknik inom läkemedelsidentifiering kräver särskilda färdigheter. För att hålla data rena och AI effektiva behöver företag anställda med inte bara tekniska kunskaper utan också en förståelse för den vetenskapliga sidan av processen, till exempel drogdesign, biologi och kemi. Företagen har svårt att hitta personer som stämmer in på allt detta.

Framtiden för AI i läkemedelsbranschen

Med hjälp av AI kan forskare bli mer innovativa, läkare kan bättre uppfylla kraven på precisionsmedicin och läkemedelsföretag kan få livsförändrande läkemedel till marknaden snabbare.

Aktuella trender indikerar att AI-omvandlingen i läkemedelbranschen i dag kommer att fortsätta långt in i framtiden. Varje år ökar till exempel partnerskapen mellan läkemedelsföretag och teknikföretag i antal, liksom enorma investeringar i nystartade medtech- och AI-företag.

Stora läkemedelsföretag delar också data i allt högre grad. Machine Learning Ledger Orchestration for Drug Discovery, förkortat MELLODDY, är ett konsortium som underlättar datadelning mellan de dussintals medlemmarna. MELLODDY använder ett blockkedjebaserat system som gör att företag kan dela sina egna skyddade data samtidigt som konfidentialiteten upprätthålls. Forskare kan använda befintliga data för att komma igång med sin drogidentifieringsprocess och avbryta utvecklingen i flera år.

Resurser

Utforska Microsofts branschlösningar

Modernisera din forskning och utveckling (R&D) och leverera nya produkter snabbare med AI-lösningar som körs i Microsoft Cloud.

Mer information