Клинический потенциал ИИ в открытии и разработке лекарств
Открытие лекарств — дорогостоящий и трудоемкий процесс — сталкивается с проблемами даже при использовании передовых технологий, особенно в отношении малых молекул, на открытие которых уходят годы. ИИ обещает многообещающую оптимизацию процессов и масштабирование исследований. Такие методы, как графы знаний, генеративный искусственный интеллект и прогнозирование структуры на основе искусственного интеллекта, были успешно применены. За последнее десятилетие ИИ существенно увеличил количество обнаруженных молекул лекарств, ускорив сроки. Крупные фармацевтические компании используют ИИ в исследованиях и разработках, часто сотрудничая с биотехнологическими компаниями, занимающимися искусственным интеллектом. Несмотря на прогресс, сохраняется обеспокоенность по поводу качества молекул, открытых с помощью ИИ, особенно в отношении безопасности и эффективности в клинических испытаниях. Предварительный анализ общеотраслевого портфолио предполагает положительные тенденции, но необходимы дальнейшие подтверждения. Исследователи опубликовали обзор в журнале Drug Discovery Today, чтобы дать представление о захватывающем клиническом потенциале молекул, открытых с помощью ИИ.
Анализ молекул, открытых с помощью ИИ, в клинических испытаниях
Исследование углубилось в клинические испытания биотехнологических компаний, занимающихся искусственным интеллектом, которые считались показателем более широких тенденций в отрасли. Методология включала классификацию молекул на основе основного метода их открытия с использованием ИИ, например, идентификация обнаруженных ИИ мишеней для лекарств, малых молекул, биологических препаратов, вакцин или молекул перепрофилирования. Целью этой категоризации было выяснить, влияет ли способ исследования на показатели клинического успеха.
За период с 2015 года в общей сложности 75 молекул, открытых с помощью ИИ, прошли клинические испытания, при этом наблюдалась заметная тенденция экспоненциального роста. Темпы роста превысили 60% по сравнению с прошлым годом, что указывает на существенное увеличение интеграции технологий искусственного интеллекта в процесс разработки лекарств. Среди терапевтических областей особенно заметное место заняла онкология, составляющая примерно половину молекул, открытых с помощью ИИ в исследованиях фазы I и фазы II.
Анализ также выявил разнообразие способов открытия молекул, генерируемых ИИ. До 2020 года молекулы, перепрофилированные с помощью ИИ, доминировали в клиническом портфеле, но впоследствии их представленность стабилизировалась, составив около 15% межотраслевого клинического портфеля к 2023 году. Напротив, другие способы открытия, такие как малые молекулы, открытые с помощью ИИ, вакцины, антитела и молекулы с мишенями, обнаруженными ИИ, испытали ускорение.
Что касается результатов клинических испытаний, предварительный анализ показал многообещающие показатели успеха. К декабрю 2023 года 24 молекулы, открытые с помощью ИИ, завершили испытания фазы I, причем 21 из них были признаны успешными, что позволяет предположить, что уровень успеха варьируется от 80% до 90%. Этот показатель заметно превысил исторические средние показатели по отрасли, обычно колеблющиеся от примерно 40% до 55-65%. При изучении испытаний фазы II 10 молекул, открытых с помощью ИИ, пришли к выводу, при этом 4 продемонстрировали успех, что соответствует историческим отраслевым нормам, составляющим 30-40% показателей успеха на этом этапе.
Тем не менее, анализ признал несколько предостережений. Во-первых, размер выборки был относительно небольшим, особенно в отношении показателей клинического успеха, и ожидалось, что эти цифры могут значительно измениться по мере того, как в последующие годы станет доступно больше данных. Кроме того, исследование было сосредоточено исключительно на молекулах, происходящих от биотехнологических компаний, использующих ИИ, потенциально исключая молекулы, открытые с помощью ИИ, от крупных фармацевтических компаний. Наконец, классификация молекул не была взаимоисключающей, что приводило к сложностям в анализе.
Последствия открытия лекарств с помощью искусственного интеллекта
Анализ подчеркивает, что молекулы, полученные из искусственного интеллекта, демонстрируют заметный уровень успеха в 80–90% испытаний фазы I, что превышает средние исторические показатели. Этому успеху могут способствовать несколько факторов, в том числе поиск хорошо проверенных биологических целей и путей, а также потенциал алгоритмов искусственного интеллекта для эффективной оптимизации новых серий молекул. Кроме того, алгоритмы ИИ могут преуспеть в разработке или выборе молекул, подобных лекарствам, с оптимизированными профилями, что приводит к меньшему количеству отсева на этапе I. Примечательно, что неудачи на этапе I часто были вызваны бизнес-решениями, а не техническими недостатками.
В ходе испытаний фазы II молекулы, открытые с помощью ИИ, продемонстрировали показатель успеха примерно 40%, что соответствует отраслевым нормам. Однако сохраняются проблемы с достижением клинической эффективности, что указывает на возможности для улучшения. Примечательно, что несколько прекращений фазы II были связаны с нетехническими факторами, такими как изменения в бизнес-приоритетах или оперативные проблемы, что подчеркивает сложную картину разработки лекарств, выходящую за рамки научных соображений. Экономические и нормативные факторы также могут влиять на портфельные решения в биотехнологических компаниях, подчеркивая многогранный характер проблем разработки лекарств.
Путь вперед и перспективы на будущее
Анализ дает первое представление о потенциале молекул, открытых с помощью ИИ, в клинических испытаниях, что потенциально предвещает будущее исследований и разработок с использованием ИИ. Экстраполируя наблюдаемые показатели успеха в исследованиях фазы I и II и объединяя их с историческими показателями успеха фазы III, можно получить заметное увеличение общей вероятности успеха молекулы на всех клинических фазах. Такое удвоение производительности фармацевтических исследований и разработок может привести к значительным преимуществам, например, к достижению того же результата с меньшими ресурсами или к запуску большего количества новых лекарств в рамках существующих ресурсов.
Более того, существует оптимизм в отношении того, что методы искусственного интеллекта могут еще больше улучшить клинические результаты, особенно в исследованиях фазы II и III. Ожидается, что постоянные инвестиции в понимание движущих сил заболевания, выявление и проверку целевых показателей лекарств, а также использование передовых технологий, таких как данные OMIC, обратный перевод, модели, полученные от пациентов, и большие языковые модели, устранят разрыв между дизайном молекул и клинической эффективностью, потенциально улучшая клинические испытания. показатели успеха превышают исторические средние показатели.
Конечная цель использования ИИ в разработке лекарств заключается в том, чтобы предоставлять пациентам более инновационные лекарства быстрее, эффективнее и с меньшими затратами. Хотя влияние методов искусственного интеллекта уже наблюдалось в доклинических рабочих процессах, результаты показывают, что эти преимущества начинают проявляться и в клинических испытаниях. Несмотря на статистические соображения, результаты предлагают интригующий взгляд на будущее НИОКР. Поскольку в ближайшие годы станет доступно больше клинических данных о молекулах, открытых с помощью ИИ, будет интересно наблюдать, как методы ИИ продолжают влиять на производительность исследований и разработок в целом.
Источник: Drug Discovery Today
