AI в откриването на лекарства
AI в откриването на лекарства използва машинно обучение, за да предвиди поведението на молекулите, да проектира нови съединения и да намали годините и милиардите, които обикновено са необходими за намиране на жизнеспособно лекарство.
Преглед
It is reshaping the slowest, riskiest part of pharma.
Дълбоко гмуркане
Пускането на лекарство на пазара традиционно отнема от 10 до 15 години и над милиард долара, като повечето кандидати се провалят. AI атакува няколко тесни места. При идентификацията на целта, моделира геномни данни и данни за протеини, за да намери протеини, свързани със заболяването, които си струва да бъдат упоени. При откриването на хитове генеративните модели предлагат нови молекули с желани свойства, докато виртуалният скрининг класира милиони съединения без лабораторен синтез. AlphaFold на DeepMind предсказа 3D структури за над 200 милиона протеини, давайки на изследователите планове, които някога изискваха години кристалография. Компании като Insilico Medicine и Recursion използват молекули, проектирани от AI, сега в изпитания върху хора. AI също така прогнозира токсичността и ADME (абсорбция, разпределение, метаболизъм, екскреция) рано, убивайки лошите кандидати преди скъпи изпитания.
Техническа информация
Молекулите често се представят като графики (атоми като възли, връзки като ръбове) и се обработват от графични невронни мрежи или като текстови низове, наречени SMILES, подавани към модели на последователности. Генеративни подходи като вариационни автоенкодери и дифузионни модели правят проби от нови структури в научено химическо пространство, оптимизирайки за афинитет на свързване и подобие на лекарството. AlphaFold използва дълбоко обучение, базирано на вниманието, обучено в Protein Data Bank, за да предвиди как аминокиселинните вериги се сгъват в 3D форми, които определят функцията.
Стратегическо въздействие
Context and rules
Индустриалният контекст определя дали идеите за ИИ оцеляват при контакт с реалността.
Quality control
Ограниченията на домейна влияят на приемливите нива на грешки и моделите за надзор.
Build choices
Успешното внедряване съгласува техническите възможности с работните потоци на първа линия.
Бъдещето на ИИ в откриването на лекарства
Границата са лаборатории със затворен цикъл, самоуправляващи се лаборатории, където AI предлага молекули, роботи ги синтезират и тестват, а резултатите преквалифицират модела в рамките на дни. Очаквайте генеративна химия, настроена от лабораторна обратна връзка, създадени от AI антитела и РНК терапевтици и основни модели, обучени в биологията. Регулаторите изготвят насоки за кандидати, получени от AI. Трудният тест си остават клиничните изпитания, при които сложността на биологията все още намалява прогнозите, така че най-голямата краткосрочна печалба на ИИ са по-бързи, по-евтини и по-интелигентни предклинични решения.
Внедряване в реалния свят
Отворената база данни на AlphaFold позволява на изследователи по целия свят да търсят прогнозирани 3D структури на протеини, за да ръководят дизайна на лекарства.
Insilico Medicine внедри в клинични изпитвания при хора открито от AI лекарство за идиопатична белодробна фиброза.
Фармацевтичните екипи използват виртуален скрининг за изчислително класиране на милиони кандидат-молекули, като тестват само най-обещаващите в лабораторията.
Моделите за токсичност на изкуствения интелект предвиждат дали даден кандидат ще увреди черния дроб или сърцето, елиминирайки опасните съединения преди тестване върху животни.
Рискове и предпазни огради
Регулаторните изисквания могат да обезсилят иначе силните прототипи.
Историческите данни могат да кодират пристрастие, което вреди на определени общности.
Наследените системи могат да създадат затруднения при интеграцията и скрити разходи.
Пътна карта за изпълнение
Включете експерти в областта от рамкирането на проблема до оценката.
Проектирайте одитни пътеки и документация преди стартиране.
Ранно потвърдете задълженията за съответствие и безопасност.
Пускане на етапи с ясни критерии за спиране и връщане назад.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Drug Discovery quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Изоморфни лаборатории за откриване на лекарства
Frequently asked questions
What is AI in Drug Discovery?
AI в откриването на лекарства използва машинно обучение, за да предвиди поведението на молекулите, да проектира нови съединения и да намали годините и милиардите, които обикновено са необходими за намиране на жизнеспособно лекарство. Той прекроява най-бавната, най-рискованата част от фармацията.
Какво постигна AlphaFold на DeepMind, което подпомага откриването на лекарства?
AlphaFold използва задълбочено обучение, за да предвиди протеинови 3D структури в мащаб, давайки на изследователите структурни чертежи, които преди са отнемали години на експерименти.
Как обикновено се представят молекулите за модели на машинно обучение?
Молекулите са естествено графики (атоми = възли, връзки = ръбове), обработени от графични невронни мрежи или кодирани като SMILES низове за модели на последователности.
Какво е „виртуален скрининг“ при откриването на лекарства с ИИ?
Виртуалният скрининг използва модели за оценка на огромни библиотеки от молекули in silico, така че само най-добрите кандидати се правят и тестват в лабораторията.
Защо ранното прогнозиране на ADME и токсичността е толкова ценно?
Ранното прогнозиране на абсорбцията, метаболизма и токсичността убива лошите кандидати преди скъпите тестове върху животни и хора, спестявайки време и пари.
Кои генеративни AI техники се използват за проектиране на нови молекули?
Генеративни модели като VAE и дифузионни модели правят проби от нови структури от научено химическо пространство, оптимизирайки желаните свойства.