AI a Drug Discoveryben
A mesterséges intelligencia a gyógyszerkutatásban a gépi tanulás segítségével előrejelzi a molekuláris viselkedést, új vegyületeket tervez, és csökkenti az életképes gyógyszer megtalálásához szükséges éveket és milliárdokat.
Áttekintés
It is reshaping the slowest, riskiest part of pharma.
Mély merülés
Egy gyógyszer forgalomba hozatala hagyományosan 10-15 évig tart, és több mint egymilliárd dollárt vesz igénybe, és a legtöbb jelölt megbukik. Az AI számos szűk keresztmetszetet támad meg. A célpont azonosítása során modellezi a genomikai és fehérjeadatokat, hogy megtalálja a betegséghez kapcsolódó fehérjéket, amelyeket érdemes gyógyszerezni. A találatfelderítés során a generatív modellek új molekulákat javasolnak a kívánt tulajdonságokkal, míg a virtuális szűrés vegyület millióit rangsorolja laboratóriumi szintézis nélkül. A DeepMind AlphaFoldja több mint 200 millió fehérje 3D-s szerkezetét jósolta meg, így a kutatóknak olyan tervrajzokat adtak, amelyekhez egykor évekig tartó krisztallográfia kellett. Az olyan cégek, mint az Insilico Medicine és a Recursion, mesterséges intelligencia által tervezett molekulákat használnak most az emberi kísérletekben. A mesterséges intelligencia korán megjósolja a toxicitást és az ADME-t (abszorpció, eloszlás, metabolizmus, kiválasztódás), és a rossz jelölteket még a költséges vizsgálatok előtt megöli.
Technikai betekintés
A molekulákat gyakran gráfokként (az atomokat csomópontként, a kötéseket élként) ábrázolják, és gráf-neurális hálózatok dolgozzák fel, vagy a szekvenciamodellekbe betáplált SMILES-nek nevezett szöveges karakterláncok. Az olyan generatív megközelítések, mint a variációs autoenkóderek és a diffúziós modellek, új struktúrákat vesznek mintát egy tanult kémiai térben, optimalizálva a kötési affinitást és a gyógyszerszerűséget. Az AlphaFold a Protein Data Bankon kiképzett figyelemalapú mély tanulást használja annak előrejelzésére, hogy az aminosavláncok hogyan hajtódnak össze 3D-s formákká, amelyek meghatározzák a funkciót.
Stratégiai hatás
Kontextus és szabályok
Az iparági kontextus határozza meg, hogy az AI ötletek túlélik-e a valósággal való érintkezést.
Minőségellenőrzés
A tartományi korlátok befolyásolják az elfogadható hibaarányt és a felügyeleti modelleket.
Építési lehetőségek
A sikeres telepítések összehangolják a műszaki képességeket a frontvonalbeli munkafolyamatokkal.
Az AI jövője a gyógyszerkutatásban
A határ a zárt hurkú, önvezető laboratóriumok, ahol a mesterséges intelligencia molekulákat javasol, a robotok szintetizálják és tesztelik őket, az eredmények pedig napokon belül újratanítják a modellt. Számíthat a laboratóriumi visszajelzésekkel hangolt generatív kémiára, mesterséges intelligencia által tervezett antitestekre és RNS-terápiákra, valamint a biológiában betanított alapmodellekre. A szabályozó hatóságok iránymutatást dolgoznak ki az MI-eredetű jelöltek számára. A kemény teszt továbbra is a klinikai vizsgálatok marad, ahol a biológia összetettsége még mindig alázza az előrejelzéseket, így az AI legnagyobb rövid távú győzelme a gyorsabb, olcsóbb és intelligensebb preklinikai döntések.
Valós megvalósítás
Az AlphaFold nyílt adatbázisa lehetővé teszi a kutatóknak, hogy világszerte felkutassanak a fehérjék előre jelzett 3D-s szerkezetét, hogy irányítsák a gyógyszertervezést.
Az Insilico Medicine a mesterséges intelligencia által felfedezett, idiopátiás tüdőfibrózis elleni gyógyszert humán klinikai vizsgálatokba fejlesztette.
A gyógyszerészcsoportok virtuális szűrést használnak a jelölt molekulák millióinak számítási rangsorolására, és csak a legígéretesebbeket tesztelik a laboratóriumban.
Az AI toxicitási modellek megjósolják, hogy a jelölt károsítja-e a májat vagy a szívet, és az állatkísérletek előtt kiküszöböli a veszélyes vegyületeket.
Kockázatok és védőkorlátok
A szabályozási követelmények érvényteleníthetik az egyébként erős prototípusokat.
A korábbi adatok olyan elfogultságot kódolhatnak, amely bizonyos közösségeket károsít.
Az örökölt rendszerek szűk keresztmetszeteket és rejtett költségeket okozhatnak az integrációban.
Végrehajtási ütemterv
Vonjon be területi szakértőket a probléma megfogalmazásától az értékelésig.
Tervezze meg az ellenőrzési nyomvonalakat és a dokumentációt az indítás előtt.
Korán érvényesítse a megfelelési és biztonsági kötelezettségeket.
Fázisokban történő bevezetés egyértelmű leállítási és visszaállítási kritériumokkal.
Folytassa a felfedezést
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
Következő útmutató
Izomorf Laboratóriumok Gyógyszerfelfedezése
Gyakran ismételt kérdések
What is AI in Drug Discovery?
A mesterséges intelligencia a gyógyszerkutatásban a gépi tanulás segítségével előrejelzi a molekuláris viselkedést, új vegyületeket tervez, és csökkenti az életképes gyógyszer megtalálásához szükséges éveket és milliárdokat. Átformálja a gyógyszerészet leglassabb, legkockázatosabb részét.
Mit ért el a DeepMind's AlphaFold, ami elősegíti a gyógyszerkutatást?
Az AlphaFold a mély tanulást használta a fehérje 3D-s struktúráinak nagymértékű előrejelzésére, így a kutatók olyan szerkezeti terveket kaptak, amelyek korábban évekig tartó kísérleteket igényeltek.
Hogyan ábrázolják általában a molekulákat a gépi tanulási modellekben?
A molekulák természetesen gráfok (atomok = csomópontok, kötések = élek), amelyeket gráf neurális hálózatok dolgoznak fel, vagy SMILES karakterláncokként kódolnak szekvenciamodellekhez.
Mit jelent a „virtuális szűrés” a mesterséges intelligencia gyógyszerkutatásában?
A virtuális szűrés modelleket használ a molekulák hatalmas könyvtárainak in silico pontozására, így csak a legjobb jelölteket készítik és tesztelik a laboratóriumban.
Miért olyan értékes az ADME és a toxicitás korai előrejelzése?
A felszívódás, az anyagcsere és a toxicitás korai előrejelzése megöli a rossz jelölteket, mielőtt költséges állat- és emberkísérleteket végeznének, így időt és pénzt takarítanak meg.
Milyen generatív mesterséges intelligencia technikákat használnak új molekulák tervezésére?
Az olyan generatív modellek, mint a VAE és a diffúziós modellek, egy tanult kémiai térből új struktúrákat vesznek fel, optimalizálva a kívánt tulajdonságokat.