En stor fördel med att tillämpa AI i de tidiga stadierna av läkemedelsupptäckten är att AI kan utföra virtuell screening i stor skala, eller genomföra flera experiment samtidigt, och därigenom öka omfattningen av screeningföreningar och föra fram potentiella föreningar till ledande föreningar, såväl som hastigheten på kandidatterapierna. Dr Jim Collins, professor vid MIT, sa i en intervju med WuXi AppTec-innehållsteamet att forskare kan träna AI-modeller med småskaliga sammansatta bibliotek och sedan använda dessa modeller för att utforska stora kemiska utrymmen. Detta gör att hans team kan slutföra screeningen av ett virtuellt sammansättningsbibliotek som innehåller miljarder föreningar inom några dagar. Detta kan inte uppnås genom konventionella experiment.
Panna Sharma, VD för Lantern Pharma, sa i en intervju med Nature Cancer att företagets forsknings- och utvecklingsprojekt mot cancer, från det initiala AI-genererade hålet till att gå in i den första mänskliga kliniska prövningen, tar ungefär hälften av tiden av traditionella strategier. och kan minska kostnaderna med upp till 80 %. Andra företag som använder AI för läkemedelsutveckling, som Recursion och Insilico Medicine, har liknande erfarenheter. Även om artificiell intelligens för närvarande inte kan ersätta experiment, kan det göra det möjligt för forskare att genomföra korrekta experiment snabbare och därigenom förbättra framgångsfrekvensen.
En av de tidiga effekterna av artificiell intelligens på cancerbehandling kan återspeglas i återanvändning av misslyckade eller föråldrade läkemedel. Med Lantern som exempel samlar dess plattform för artificiell intelligens in miljarder datapunkter relaterade till onkologi. Dessa data kommer från vetenskaplig forskning, kliniska prövningar och databaser. Genom att använda maskininlärning för att förutsäga patienters svar på läkemedelskandidater kan artificiell intelligens snabbt upptäcka tidigare oupptäckta nya indikationer eller identifiera nya cancersubtyper och deras biomarkörer som ännu inte har karakteriserats fullt ut.
Att identifiera effektiva läkemedelskombinationer är en annan tillämpningsriktning för artificiell intelligens. I dagsläget är det både svårt och tidskrävande att testa läkemedelskombinationer, samtidigt som artificiell intelligens snabbare kan förutsäga vilka läkemedelskombinationer som är effektivare genom att analysera data från alla kliniska prövningar.
Förmågan hos generativ AI att anpassa nya molekylära strukturer baserat på specifika målegenskaper för att uppnå specifika terapeutiska effekter är särskilt spännande för dess supportrar. För närvarande har generativ AI visat förmågan att designa nya proteiner eller små molekylföreningar från grunden baserat på målegenskaper i preklinisk forskning. Till exempel publicerade professor David Bakers team, en nobelpristagare, en artikel i tidskriften Science som introducerade det förbättrade proteinsimuleringsverktyget RoseTTAFold All Atom och proteindesignverktyget RFdiffuion All Atom. RoseTTAFold All Atom låter forskare simulera interaktioner mellan proteiner och andra biomolekyler. RFdiffuion All Atom gör det möjligt för forskare att designa helt nya proteiner från grunden baserat på fickorna som binder till specifika föreningar, vilket potentiellt banar väg för att utforma exakta terapier.
Å andra sidan liknar de flesta biomolekyler som genereras av AI i den nuvarande kliniska forsknings- och utvecklingspipelinen fortfarande befintliga molekyler, som har justerats för att förbättra sin selektivitet eller minska icke-måltoxicitet.
Läkemedelskandidater behöver fortfarande visa sin effekt på människor, vilket inte kan uppnås utan kliniska prövningar. I processen för läkemedelsutveckling upptar kliniska prövningar det mesta av kostnaden och tiden för forskning och utveckling, så även en liten effektivitetsförbättring kan ha en enorm inverkan.
Rekursion använder kliniska och multi omikdata från professionella datainsamlingsinstitutioner som Tempus, baserat på artificiell intelligensmodeller för att identifiera patienter som kan ge det bästa svaret. Att förbättra patientscreeningen innebär inte bara mindre prövningar, utan ökar teoretiskt också framgångsfrekvensen.
Artificiell intelligens kan också användas för att upptäcka lämpliga patienter och bestämma den optimala prövningsplatsen, och därigenom maximera accelerationen av patientrekryteringen.
