Używanie sztucznej inteligencji (AI) do procesu odkrywania nowych leków nie jest nowe, ale szybko się rozwija. Kilka tygodni temu BBC oznajmiła o pierwszym leku odkrytym przez AI, który ma przejść próby na ludziach. Teraz oznajmiają o odkryciu nowego antybiotyku przy użyciu AI. Porozmawiajmy o odkrywaniu leków, żeby zobaczyć, jak postępy AI wpływają na ten proces.
Znalezienie środka, który jest medycznie użyteczny, jest trudne, ponieważ musi mieć bardzo wiele właściwości równocześnie, a każda z nich może być powodem porażki. Użyteczny lek musi dostać się do organizmu, dotrzeć do właściwej tkanki, przetrwać wystarczająco długo, by wywrzeć pożądany efekt, musi mieć pożądany efekt przy dawce niższej niż dawka, która powoduje znaczące skutki uboczne i musi nie mieć toksyczności, by nie powodować uszkodzeń, na przykład wątroby lub nerek. Czy substancja pozostanie stabilna kiedy będziemy ją przechowywać? To samo dotyczy – przynajmniej jeśli chodzi o brak skutków ubocznych i toksyczności – wszystkich metabolitów leku, które pozostają w organizmie, aż zostaną wydalone. Na dodatek, musimy martwić się o interakcje z innymi lekami, a także interakcje z pewnymi pokarmami.
Z tego powodu nie ma doskonałego leku. Każdy lek jest kompromisem. To, że jest „naturalny”, także nie jest żadną magiczną różdżką, która pomija wszystkie te troski. Substancje, jakie występują w naturze, nie wyewoluowały na naszą korzyść. Na ogół wyewoluowały, by być trucizną dla stworzeń, które mogą je zjadać (włącznie z nami). Leki oparte na roślinach są zasadniczo truciznami, które oczyściliśmy, zmieniliśmy, a potem odkryliśmy dawkę, którą można bezpiecznie używać.
„Starą” metodą tworzenia leków było mnóstwo prób i błędów. Testowano kandydujące substancje na szalkach Petriego, żeby zobaczyć skutki ich działania w komórkach podczas hodowli. Następnie testowano je na zwierzętach i jeśli wszystko wyglądało dobrze, w końcu zaczynano testy na ludziach. Chemicy wiedzieli jak prawdopodobnie dana struktura chemiczna wpłynie na właściwości substancji, więc nie zgadywali w ciemno. Czasami również historia tradycyjnego użycia dawała nieco anegdotycznej informacji o potencjalnych skutkach.
Komputerowe projektowanie leków (CADD) od dawna pomaga w tym procesie. Używają dużej bazy danych znanych leków, żeby pomóc w ocenie, jak pewne struktury chemiczne będą prawdopodobnie wyglądały w trzech wymiarach i jakie skutki będzie to miało na ich właściwości. Czy zwiążą się z celem (co nazywa się opartym o ligand projektowaniem leków)? Czy nerki je wyeliminują, itd.?
Teraz jednak przechodzimy do nowego etapu, wychodząc poza istniejące CADD. Projektowanie leków zaczyna korzystać z najnowszego rozwoju AI, włącznie z głębokim uczeniem się. W pierwszym przykładzie:
Stworzono molekułę – znana jako DSP-1181 – przy użyciu algorytmów, które przesiały potencjalne związki, sprawdzając je wobec bazy danych parametrów.
“Potrzeba miliardów decyzji, by znaleźć właściwe molekuły i jest olbrzymią trudnością precyzyjne stworzenie leku” – powiedział profesor Hopkins.
Firma informuje, że proces, który normalnie zabiera 5 lat, został skrócony do roku przy użyciu programu sztucznej inteligencji. Leki trzeba nadal przetestować na ludziach, co zabierze lata i takie testowanie nadal będzie potrzebne w przewidywalnej przyszłości. Jednak CADD oparte na AI może być używane, by znacznie szybciej i taniej doprowadzić do prób na ludziach oraz zmaksymalizować prawdopodobieństwo sukcesu. Jednym z powodów, że leki są tak drogie, jest to, że firma może wydać 100 milionów dolarów na tworzenie leku tylko po to, by zawiódł w końcowej fazie prób na ludziach.
Ten pierwszy przykład reprezentuje, według doniesień, połączenie projektowania leku w oparciu o strukturę i projektowania leku w oparciu o ligand – modelowanie potencjalnych molekuł i przewidywanie przy pomocy głębokiego uczenia się, jaką strukturę i właściwości będzie miała molekuła w dodatku do tego, jakie będzie miała powinowactwo do celu. W tym wypadku użyto procesu do znalezienia leku, który mógłby być użyteczny w leczeniu zaburzenia obsesyjno-kompulsyjnego (OCD).
W drugim przykładzie użyto innego procesu. Nie użyto głębokiego uczenia AI do zaprojektowania substancji chemicznej, ale to przesiania istniejących molekuł. BBC donosi:
Użyto potężnego algorytmu do zanalizowania ponad stu milionów związków chemicznych w ciągu kilku dni.
To obejmowało 2500 znanych leków. Badacze wybrali następnie 100 leków, które AI prognozowała jako te, które będą miały najlepsze właściwości do fizycznego testowania. Wynikający z tego zwycięzca, twierdzą badacze, potrafi zabijać 35 rodzajów zakaźnych bakterii. Oczywiście, ten lek nadal musi przejść próby kliniczne. W obu wypadkach czas pokaże, czy proces dał w wyniku skuteczny lek. Tak czy inaczej potencjał tego procesu z użyciem AI w przedklinicznej fazie odkrywania leku, jest olbrzymi.
Według jednego oszacowania już istnieją 203 startupy, które używają AI do procesu tworzenia leków. Zabierze około 10 lat zanim naprawdę zobaczymy, czy AI rozpoczęła nową erę w odkrywaniu leków, ale wygląda to niezmiernie obiecująco. To wydaje się raczej stopniowym postępem niż czymś absolutnie przełomowym. Potencjalne korzyści to: radykalne obniżenie kosztów tworzenia nowych leków, zredukowanie czasu (o całe lata) tworzenia nowych leków i optymalizacja szansy sukcesu w próbach klinicznych. Miejmy nadzieję, że zredukuje to koszty nowych leków, a także szybciej dostarczy nowych i lepszych leków, co ma potencjał zmniejszenia kosztów opieki zdrowotnej.
AI ma także potencjał radykalnej poprawy innych aspektów medycyny, jak interpretowanie diagnostycznych obrazów. Ma to potencjał zredukowania błędów medycznych, a także szkicowania bardziej optymalnych terapii, jeszcze bardziej zmniejszając koszty opieki zdrowotnej. Obecnie koszty opieki zdrowotnej rosną, głównie z powodu postępów technicznych. To staje się nie do utrzymania. Potrzebujemy technologii nie tylko po to, by ulepszyć opiekę medyczną, ale by była najbardziej opłacalna. AI jest jednym z narzędzi, które może nam w tym pomóc.
NeuroLogica Blog, 24 lutego 2020
Tłumaczenie: Małgorzata Koraszewska
| Chief editor: | Hili |
| Webmaster:: | Andrzej Koraszewski |
| Collaborators: | Jacek Chudziński, Hili, Małgorzata Koraszewska, Andrzej Koraszewski, Henryk Rubinstein |