Роль ИИ и МЛ в ускорении раннего открытия лекарств

Процесс перевода молекулы лекарства от концепции до коммерциализации является длительным и дорогостоящим предприятием, обычно занимающим 10-15 лет и требующим расходов до 2 миллиардов долларов на успешно запущенный препарат с учетом неудач. В этой статье мы исследуем потенциал искусственного интеллекта (ИИ) и машинного обучения (МЛ) для ускорения открытия лекарств, освещая их влияние и ограничения.

Необходимость ускоренного открытия лекарств

Ранняя фаза открытия лекарств сопряжена со значительными затратами и требует инновационных технологий для ускорения и снижения рисков в конвейере разработки. ИИ и МЛ вышли на передний план, предлагая возможность расширить химическое «пространство поиска» для новых соединений, упростить сложные расчеты свойств и предоставить информацию о часто зашумленных и неполных данных.

Выбор лучшей молекулы-кандидата для перехода от открытия к новому химическому веществу (НХВ) является сложной и трудоемкой задачей. По мере роста сложности поиска новых молекул для нацеливания на текущие интересы в разработке лекарств, исследователи стремятся оценить большее количество соединений, не увеличивая экспоненциально бюджеты на лабораторные химические и биологические исследования.

ИИ и МЛ, работающие на передовом оборудовании, революционизируют этот ландшафт. Они могут сортировать молекулы в беспрецедентных масштабах, позволяя исследовать огромные химические библиотеки. Подходы на основе ИИ варьируются от создания «виртуальных библиотек» молекул, сгенерированных через синтетические реакции, до использования «генеративного ИИ» для сборки молекул из молекулярного супа из мелких фрагментов. Каждый подход имеет свои сильные стороны и проблемы, включая вопросы доступности и разнообразия молекул.

Ускорение открытия лекарств с помощью ИИ/МЛ

ИИ для открытия лекарств (AIDD) все еще находится на ранней стадии, но уже дал соединения, вступающие в клинические испытания. Влияние ИИ и МЛ многогранно:

1. Сложные расчеты становятся простыми: Инструменты ИИ/МЛ обучаются предсказывать результаты сложных расчетов, определяющих поведение кандидата в лекарства. Например, ИИ может аппроксимировать квантовую механику библиотек соединений, значительно ускоряя анализ электронных вкладов в свойства молекулы.

2. Предсказание энергии связывания: ИИ может предсказывать энергии связывания через расчеты возмущения свободной энергии (FEP). Этот подход, традиционно требовательный к ресурсам, теперь выигрывает от методов ИИ, которые точно скринируют библиотеки с расчетами FEP, давая результаты, сопоставимые с экспериментами.

3. Предсказание структуры белка: Модели ИИ могут генерировать структуры белков для мишеней, не имеющих экспериментальных данных. Хотя эта область сталкивалась с трудностями, сложность инструментов ИИ и понимание их вывода растут, делая сгенерированные ИИ структуры белков все более актуальными в открытии лекарств.

4. Оптимизация скрининга: Модели ИИ могут эффективно скринировать ультрабольшие библиотеки молекул против конкретных мишеней для лекарств. Быстро оценивая миллиарды потенциальных кандидатов в лекарства, ИИ/МЛ упрощают анализ кандидатов, позволяя исследователям сосредоточиться на самых перспективных соединениях.

5. Оптимизация синтетических маршрутов: ИИ превосходно распознает закономерности в сложных наборах данных, что делает его эффективным инструментом для генерации и оптимизации синтетических маршрутов к целевым молекулам. Способность ИИ находить эффективные маршруты за меньшее время по сравнению с опытными химиками является значительным преимуществом.

Преодоление ограничений для более широкого внедрения ИИ

Влияние ИИ/МО на открытие лекарств существенно, но остаются определенные вызовы. Моделям ИИ требуются обширные наборы данных для обучения, а обмен данными в фармацевтической отрасли ограничен из-за проблем конфиденциальности и защиты коммерческой тайны. Чтобы в полной мере раскрыть потенциал ИИ, отрасли необходимо стать более открытой к обмену данными, что позволит инструментам ИИ/МО точно предсказывать сложные свойства.

Еще одной проблемой является нехватка экспертов, обладающих компетенциями как в области открытия лекарств, так и в сфере ИИ, что затрудняет эффективное использование инструментов и генерацию аналитических выводов. Решение этих задач будет иметь ключевое значение для максимизации роли ИИ в открытии лекарств.

Будущее ИИ в открытии лекарств

Хотя ИИ вряд ли полностью заменит все аспекты процесса открытия лекарств, его потенциал для позитивного влияния очевиден. Постоянное развитие в области квантовой механики, оптимизации синтетических маршрутов, предсказания структуры белков и других направлений будет продолжать формировать роль ИИ в открытии лекарств. По мере поступления новых данных инструменты ИИ/МО станут лучше подготовлены для решения сложных вычислительных задач.

Интеграция ИИ/МО в платформы для открытия лекарств уже привела к значительным улучшениям, повысив эффективность и снизив затраты. Эти технологии будут играть все более важную роль в фармацевтической промышленности, ускоряя отбор кандидатов и трансформируя ландшафт разработки лекарств.