,fit(1920:897)&format=webp)
Как изкуственият интелект променя начина, по който се създават лекарства
Патрик Шваб не е типичният фармацевтичен откривател, а и работното му място не наподобява на елементарна фармацевтична лаборатория. В нея няма лабораторни плотове, нито бълбукащи течности. Липсват и белите лабораторни престилки. Вместо това доктор Шваб е облечен напълно в черно – уместно облекло за човек, чието работно място е в Кингс Крос. Това е регион в Лондон, който в миналото е бил изпълнен с железопътни депа и индустриални здания, а през днешния ден, след огромно видоизменение, е един от най-модерните квартали на града.
Д-р Шваб работи за GSK – фармацевтична компания. Неговата задача е да премисли бъдещето на основаването на медикаменти, употребявайки изкуствен интелект (AI). Той ползва този метод, като трансферира колкото е допустимо по-голяма част от работата от лабораторната стъклария към компютрите – дизайн на медикаменти посредством компютърни симулации, вместо посредством опити в лаборатория, написа The Economist.
С тази цел той създава софтуерен инструмент, наименуван Phenformer, който образова да „ чете “ геноми. Като свързва геномната информация с фенотипите – биологичния термин за телесните и поведенческите проявления на съответни генетични комбинации – Phenformer се учи по какъв начин гените водят до болести. Това му разрешава да генерира нови хипотези за заболявания и за механизмите, които стоят в основата им.
Среща с трансформърите
Insilico Medicine – биотехнологична компания от Бостън – наподобява е първата, която ползва новото потомство AI, известно като трансформър модели, в процеса на разкриване на медикаменти. Още през 2019 година нейните откриватели си задават въпроса дали могат да употребяват тези модели, с цел да основават нови медикаменти въз основата на биологични и химични данни. Първата им цел е идиопатичната белодробна фиброза – заболяване на белите дробове.
Те стартират с образование на AI върху набори от данни, свързани с това положение, и откриват обещаващ целеви протеин. След това втори AI предлага молекули, които биха могли да се „ закачат “ за този протеин и да трансформират държанието му, без да са прекомерно токсични или нестабилни. Оттам нататък човешки химици поемат щафетата, създавайки и тествайки подбраните молекули. Резултатът е лекарство, наречено rentosertib, което неотдавна сполучливо приключва междинния стадий на клинични изпитвания. Компанията твърди, че са ѝ били нужни 18 месеца, с цел да стигне до претендент за разработка – спрямо нормалния период от към четири години и половина.
Днес Insilico има портфолио от над 40 медикаменти, създадени благодарение на AI, за положения като рак, чревни и бъбречни болести. Подходът ѝ бързо се популяризира. Според една прогноза годишните вложения в тази област ще набъбнат от 3,8 милиарда $ до 15,2 милиарда $ сред 2025 и 2030 година
Партньорствата сред фармацевтични и AI компании също стават все по-чести. През 2024 година са оповестени към дузина покупко-продажби с обща стойност 10 милиарда $, сочат данни на IQVIA – компания за здравни разбори. През октомври фармацевтичният колос Eli Lilly разгласи партньорство с Nvidia за построяването на най-мощния суперкомпютър в промишлеността. Проектът цели да употребява голямата изчислителна мощност за ускорение на процесите по разкриване и създаване на нови медикаменти.
Предвид странната стопанска система на фармацевтичната промишленост – хипотетичните медикаменти, които влизат в клинични изпитвания, имат 90% късмет за неуспех, което прави цената за създаване на едно сполучливо лекарство внушителните 2,8 милиарда $ – даже минимални усъвършенствания в успеваемостта носят големи изгоди. Данни от промишлеността демонстрират, че AI към този момент стартира да ги обезпечава. Той е съкратил предклиничната фаза (преди началото на изпитванията върху хора) до 12–18 месеца – от три до пет години. Освен това е повишил и успеваемостта. Проучване от 2024 година върху представянето на молекули, открити с AI, в ранни клинични изпитвания регистрира 80–90% триумф – по отношение на историческите междинни стойности от 40–65%.
Създаването на ново лекарство нормално стартира със скрининг на дребни органични молекули за обещаваща биологична интензивност и асортимент на най-подходящите. AI може да пресява библиотеки от десетки милиарди молекули, като тества свойства като успеваемост, разтворимост и токсичност посредством софтуерни симулации – без действителни субстанции въобще да се приближават до епруветки. Джим Уедърал, един от виновните за тази активност в AstraZeneca, споделя, че това отделя „ житото от плявата “ два пъти по-бързо от преди и че над 90% от програмата на компанията за разкриване на дребни молекули към този момент е подпомагана от AI.
Изпитвания без неточности
Изкуственият разсъдък намира приложение и при планирането на клиничните изпитвания. Ким Брансън, началник на отдела за AI в GSK, показва системата Cogito Forge, която употребява специфични AI „ сътрудници “. Те имат способността да разсъждават логичен: когато получат биологичен въпрос, сътрудниците сами пишат програмен код, с цел да намерят отговора. Системата автоматизирано събира и обработва нужните данни, след което генерира цяла презентация с графики и подготвени заключения.
На идващия стадий системата може независимо да построява хипотези за разнообразни болести. Тя прави съответни прогнози и ревизира тяхната меродавност, като проучва голямо количество научна литература. Този развой се прави от три профилирани сътрудника, които работят в екип: първият търси доказателства в поддръжка на хипотезата, вторият се пробва да я опровергае, а третият работи като съдия и преценя коя страна разполага с по-силни причини.
Друга обещаваща област е подборът на пациенти за клинични изпитвания. Изкуственият разсъдък може да проучва здравните досиета, биопсиите и телесните сканирания на претендентите, с цел да разпознава кои от тях биха имали най-голяма изгода от ново лекарство. По-добрият асортимент значи по-малки – и надлежно по-бързи и по-евтини – изпитвания.
Най-интригуващото приложение на AI за възстановяване на изпитванията обаче е основаването на синтетични пациенти (понякога наричани цифрови двойници), които да служат като контролна група за действителните участници. За задачата технологията проучва данни от минали изследвания и се учи да предсказва какво би се случило с даден пациент, в случай че болестта му не бъде лекувано. Когато доброволец бъде включен в изпитване и получи лекарството, AI основава „ пациент “ със същите характерности – възраст, тегло, съпътстващи болести и етап на заболяването. След това успеваемостта на лекарството при действителния пациент се съпоставя с развиването на този виртуален аналог.
Масовото потребление на синтетични пациенти би понижило размера на контролните групи, а в някои случаи даже би отстранило потребността от тях. Това би засилило интереса на доброволците към клиничните изследвания, защото шансът им да получат действително лекуване, вместо да попаднат в контролна група, доста нараства.
Компютърни симулации, оповестени през 2025 година от основаната в Сан Франциско компания Unlearn.ai, потвърждават успеваемостта на този метод. Резултатите демонстрират, че потреблението на цифрови двойници може да редуцира контролната група при изпитвания за Паркинсон с 38%, а при тези за Алцхаймер – с 23%. Освен това ранните етапи на изследванията, които постоянно не разполагат с контролна група, към този момент могат да включват такава по цифров път. Това покачва сигурността при отчитане на първите признаци на триумф и оказва помощ за по-доброто обмисляне на идващите стадии, отбелязва The Economist.
Много протеини, които все по-често се употребяват като медикаменти, са доста по-големи от обичайните молекули и се отличават със своята структурна еластичност. Те непрекъснато трансформират формата си в пространството, което прави определянето на формата им предизвикателство. РНК молекулите, които са в основата на нов клас ваксини, са също толкоз сложни за анализиране. А комплицираните мембранни структури навътре в клетките – още повече. Но това е област, в която разбирането напредва бързо. AI към този момент се образоват да моделират взаимоотношенията сред протеини и други молекули, да предсказват нагъването на РНК и даже да симулират виртуални кафези.
Recursion – компания от Солт Лейк Сити – е построила AI „ фабрика “, в която милиони човешки кафези се снимат, до момента в който претърпяват разнообразни химични и генетични промени. Това разрешава на технологията да открива модели, свързващи гени и молекулни пътища. А Owkin – AI биотехнологична компания от Ню Йорк – образова своя модел върху голям масив от високорезолюционни молекулни данни от болнични пациенти. Том Клозел, началник на Owkin, твърди, че като прави открития, на които хората не са способни, тази работа се приближава до същински неестествен общ разсъдък в биологията.
Въпросните отклонения от обичайните принадлежности за фармацевтични открития повдигат въпроса дали стандартните фармацевтични компании не са застрашени от разбъркване на пазара. OpenAI да вземем за пример ясно декларира упованието си, че моделите ще доближат високи равнища на качества в биологията, и образова системи, които могат да разсъждават и да вършат открития в науките за живота. Засега фармацевтичните компании имат преимущество, тъй като разполагат с големи размери биологични данни и подтекста да ги схващат и употребяват. В момента съдействието е водещият метод. OpenAI да вземем за пример работи с Moderna – пионер в РНК имунизациите – за ускорение на създаването на персонализирани ваксини против рак. Но този баланс може да се промени.
Който и да надделее, в случай че изкуственият разсъдък успее да извлече сходна успеваемост и от клиничните изпитвания, вероятността една молекула сполучливо да премине през целия път на клиничните проби може да нарасне от 5–10% до 9–18%. Това може да не звучи доста, само че съставлява голямо понижаване на риска за бизнеса, съпроводено със доста намаление на разноските за създаване на медикаменти. В средносрочен проект това може да подтиква вложенията и броя на медикаментите, които доближават до пазара. А в дълготраен – в случай че AI съумеят да „ решат “ биологията – техническите благоприятни условия за възстановяване на човешкото здраве може да се окажат съвсем безгранични.
Д-р Шваб работи за GSK – фармацевтична компания. Неговата задача е да премисли бъдещето на основаването на медикаменти, употребявайки изкуствен интелект (AI). Той ползва този метод, като трансферира колкото е допустимо по-голяма част от работата от лабораторната стъклария към компютрите – дизайн на медикаменти посредством компютърни симулации, вместо посредством опити в лаборатория, написа The Economist.
С тази цел той създава софтуерен инструмент, наименуван Phenformer, който образова да „ чете “ геноми. Като свързва геномната информация с фенотипите – биологичния термин за телесните и поведенческите проявления на съответни генетични комбинации – Phenformer се учи по какъв начин гените водят до болести. Това му разрешава да генерира нови хипотези за заболявания и за механизмите, които стоят в основата им.
Среща с трансформърите
Insilico Medicine – биотехнологична компания от Бостън – наподобява е първата, която ползва новото потомство AI, известно като трансформър модели, в процеса на разкриване на медикаменти. Още през 2019 година нейните откриватели си задават въпроса дали могат да употребяват тези модели, с цел да основават нови медикаменти въз основата на биологични и химични данни. Първата им цел е идиопатичната белодробна фиброза – заболяване на белите дробове.
Те стартират с образование на AI върху набори от данни, свързани с това положение, и откриват обещаващ целеви протеин. След това втори AI предлага молекули, които биха могли да се „ закачат “ за този протеин и да трансформират държанието му, без да са прекомерно токсични или нестабилни. Оттам нататък човешки химици поемат щафетата, създавайки и тествайки подбраните молекули. Резултатът е лекарство, наречено rentosertib, което неотдавна сполучливо приключва междинния стадий на клинични изпитвания. Компанията твърди, че са ѝ били нужни 18 месеца, с цел да стигне до претендент за разработка – спрямо нормалния период от към четири години и половина.
Днес Insilico има портфолио от над 40 медикаменти, създадени благодарение на AI, за положения като рак, чревни и бъбречни болести. Подходът ѝ бързо се популяризира. Според една прогноза годишните вложения в тази област ще набъбнат от 3,8 милиарда $ до 15,2 милиарда $ сред 2025 и 2030 година
Партньорствата сред фармацевтични и AI компании също стават все по-чести. През 2024 година са оповестени към дузина покупко-продажби с обща стойност 10 милиарда $, сочат данни на IQVIA – компания за здравни разбори. През октомври фармацевтичният колос Eli Lilly разгласи партньорство с Nvidia за построяването на най-мощния суперкомпютър в промишлеността. Проектът цели да употребява голямата изчислителна мощност за ускорение на процесите по разкриване и създаване на нови медикаменти.
Предвид странната стопанска система на фармацевтичната промишленост – хипотетичните медикаменти, които влизат в клинични изпитвания, имат 90% късмет за неуспех, което прави цената за създаване на едно сполучливо лекарство внушителните 2,8 милиарда $ – даже минимални усъвършенствания в успеваемостта носят големи изгоди. Данни от промишлеността демонстрират, че AI към този момент стартира да ги обезпечава. Той е съкратил предклиничната фаза (преди началото на изпитванията върху хора) до 12–18 месеца – от три до пет години. Освен това е повишил и успеваемостта. Проучване от 2024 година върху представянето на молекули, открити с AI, в ранни клинични изпитвания регистрира 80–90% триумф – по отношение на историческите междинни стойности от 40–65%.
Създаването на ново лекарство нормално стартира със скрининг на дребни органични молекули за обещаваща биологична интензивност и асортимент на най-подходящите. AI може да пресява библиотеки от десетки милиарди молекули, като тества свойства като успеваемост, разтворимост и токсичност посредством софтуерни симулации – без действителни субстанции въобще да се приближават до епруветки. Джим Уедърал, един от виновните за тази активност в AstraZeneca, споделя, че това отделя „ житото от плявата “ два пъти по-бързо от преди и че над 90% от програмата на компанията за разкриване на дребни молекули към този момент е подпомагана от AI.
Изпитвания без неточности
Изкуственият разсъдък намира приложение и при планирането на клиничните изпитвания. Ким Брансън, началник на отдела за AI в GSK, показва системата Cogito Forge, която употребява специфични AI „ сътрудници “. Те имат способността да разсъждават логичен: когато получат биологичен въпрос, сътрудниците сами пишат програмен код, с цел да намерят отговора. Системата автоматизирано събира и обработва нужните данни, след което генерира цяла презентация с графики и подготвени заключения.
На идващия стадий системата може независимо да построява хипотези за разнообразни болести. Тя прави съответни прогнози и ревизира тяхната меродавност, като проучва голямо количество научна литература. Този развой се прави от три профилирани сътрудника, които работят в екип: първият търси доказателства в поддръжка на хипотезата, вторият се пробва да я опровергае, а третият работи като съдия и преценя коя страна разполага с по-силни причини.
Друга обещаваща област е подборът на пациенти за клинични изпитвания. Изкуственият разсъдък може да проучва здравните досиета, биопсиите и телесните сканирания на претендентите, с цел да разпознава кои от тях биха имали най-голяма изгода от ново лекарство. По-добрият асортимент значи по-малки – и надлежно по-бързи и по-евтини – изпитвания.
Най-интригуващото приложение на AI за възстановяване на изпитванията обаче е основаването на синтетични пациенти (понякога наричани цифрови двойници), които да служат като контролна група за действителните участници. За задачата технологията проучва данни от минали изследвания и се учи да предсказва какво би се случило с даден пациент, в случай че болестта му не бъде лекувано. Когато доброволец бъде включен в изпитване и получи лекарството, AI основава „ пациент “ със същите характерности – възраст, тегло, съпътстващи болести и етап на заболяването. След това успеваемостта на лекарството при действителния пациент се съпоставя с развиването на този виртуален аналог.
Масовото потребление на синтетични пациенти би понижило размера на контролните групи, а в някои случаи даже би отстранило потребността от тях. Това би засилило интереса на доброволците към клиничните изследвания, защото шансът им да получат действително лекуване, вместо да попаднат в контролна група, доста нараства.
Компютърни симулации, оповестени през 2025 година от основаната в Сан Франциско компания Unlearn.ai, потвърждават успеваемостта на този метод. Резултатите демонстрират, че потреблението на цифрови двойници може да редуцира контролната група при изпитвания за Паркинсон с 38%, а при тези за Алцхаймер – с 23%. Освен това ранните етапи на изследванията, които постоянно не разполагат с контролна група, към този момент могат да включват такава по цифров път. Това покачва сигурността при отчитане на първите признаци на триумф и оказва помощ за по-доброто обмисляне на идващите стадии, отбелязва The Economist.
Много протеини, които все по-често се употребяват като медикаменти, са доста по-големи от обичайните молекули и се отличават със своята структурна еластичност. Те непрекъснато трансформират формата си в пространството, което прави определянето на формата им предизвикателство. РНК молекулите, които са в основата на нов клас ваксини, са също толкоз сложни за анализиране. А комплицираните мембранни структури навътре в клетките – още повече. Но това е област, в която разбирането напредва бързо. AI към този момент се образоват да моделират взаимоотношенията сред протеини и други молекули, да предсказват нагъването на РНК и даже да симулират виртуални кафези.
Recursion – компания от Солт Лейк Сити – е построила AI „ фабрика “, в която милиони човешки кафези се снимат, до момента в който претърпяват разнообразни химични и генетични промени. Това разрешава на технологията да открива модели, свързващи гени и молекулни пътища. А Owkin – AI биотехнологична компания от Ню Йорк – образова своя модел върху голям масив от високорезолюционни молекулни данни от болнични пациенти. Том Клозел, началник на Owkin, твърди, че като прави открития, на които хората не са способни, тази работа се приближава до същински неестествен общ разсъдък в биологията.
Въпросните отклонения от обичайните принадлежности за фармацевтични открития повдигат въпроса дали стандартните фармацевтични компании не са застрашени от разбъркване на пазара. OpenAI да вземем за пример ясно декларира упованието си, че моделите ще доближат високи равнища на качества в биологията, и образова системи, които могат да разсъждават и да вършат открития в науките за живота. Засега фармацевтичните компании имат преимущество, тъй като разполагат с големи размери биологични данни и подтекста да ги схващат и употребяват. В момента съдействието е водещият метод. OpenAI да вземем за пример работи с Moderna – пионер в РНК имунизациите – за ускорение на създаването на персонализирани ваксини против рак. Но този баланс може да се промени.
Който и да надделее, в случай че изкуственият разсъдък успее да извлече сходна успеваемост и от клиничните изпитвания, вероятността една молекула сполучливо да премине през целия път на клиничните проби може да нарасне от 5–10% до 9–18%. Това може да не звучи доста, само че съставлява голямо понижаване на риска за бизнеса, съпроводено със доста намаление на разноските за създаване на медикаменти. В средносрочен проект това може да подтиква вложенията и броя на медикаментите, които доближават до пазара. А в дълготраен – в случай че AI съумеят да „ решат “ биологията – техническите благоприятни условия за възстановяване на човешкото здраве може да се окажат съвсем безгранични.
Източник: profit.bg
КОМЕНТАРИ