AI bij het ontdekken van medicijnen
AI bij de ontdekking van geneesmiddelen maakt gebruik van machinaal leren om moleculair gedrag te voorspellen, nieuwe verbindingen te ontwerpen en de jaren en miljarden te verkorten die normaal nodig zijn om een levensvatbaar medicijn te vinden.
Overzicht
It is reshaping the slowest, riskiest part of pharma.
Diepe duik
Het op de markt brengen van een medicijn duurt traditioneel tien tot vijftien jaar en meer dan een miljard dollar, waarbij de meeste kandidaten falen. AI pakt verschillende knelpunten aan. Bij doelidentificatie ontginnen modellen genomics- en eiwitgegevens om ziektegerelateerde eiwitten te vinden die het waard zijn om te drogeren. Bij succesvolle ontdekkingen stellen generatieve modellen nieuwe moleculen met de gewenste eigenschappen voor, terwijl virtuele screening miljoenen verbindingen rangschikt zonder laboratoriumsynthese. AlphaFold van DeepMind voorspelde 3D-structuren voor meer dan 200 miljoen eiwitten, waardoor onderzoekers blauwdrukken kregen waarvoor ooit jaren van kristallografie nodig waren. Bedrijven als Insilico Medicine en Recursion gebruiken nu door AI ontworpen moleculen in proeven op mensen. AI voorspelt ook de toxiciteit en ADME (absorptie, distributie, metabolisme, uitscheiding) vroeg, waardoor slechte kandidaten worden gedood vóór dure tests.
Technisch inzicht
Moleculen worden vaak weergegeven als grafieken (atomen als knooppunten, bindingen als randen) en verwerkt door neurale netwerken, of als tekstreeksen, SMILES genaamd, die aan sequentiemodellen worden gevoed. Generatieve benaderingen zoals variatieve auto-encoders en diffusiemodellen bemonsteren nieuwe structuren in een aangeleerde chemische ruimte, waarbij wordt geoptimaliseerd voor bindingsaffiniteit en gelijkenis met geneesmiddelen. AlphaFold maakt gebruik van op aandacht gebaseerd diepgaand leren, getraind op de Protein Data Bank, om te voorspellen hoe aminozuurketens zich vouwen in 3D-vormen die de functie bepalen.
Strategische impact
Context and rules
De industriële context bepaalt of AI-ideeën het contact met de werkelijkheid overleven.
Quality control
Domeinbeperkingen beïnvloeden aanvaardbare foutenpercentages en toezichtmodellen.
Build choices
Succesvolle implementaties stemmen de technische mogelijkheden af op frontline-workflows.
De toekomst van AI bij het ontdekken van geneesmiddelen
De grens ligt bij gesloten, zelfrijdende laboratoria waar AI moleculen voorstelt, robots deze synthetiseren en testen, en de resultaten het model binnen enkele dagen opnieuw trainen. Verwacht generatieve chemie afgestemd op laboratoriumfeedback, door AI ontworpen antilichamen en RNA-therapieën, en basismodellen die in de hele biologie zijn getraind. Regelgevers stellen richtlijnen op voor op AI gebaseerde kandidaten. De harde test blijft klinische proeven, waarbij de complexiteit van de biologie de voorspellingen nog steeds vernedert, dus de grootste overwinning van AI op de korte termijn is snellere, goedkopere en slimmere preklinische beslissingen.
Implementatie in de echte wereld
Met de open database van AlphaFold kunnen onderzoekers over de hele wereld voorspelde 3D-structuren van eiwitten opzoeken om het ontwerp van medicijnen te begeleiden.
Insilico Medicine heeft een door AI ontdekt medicijn voor idiopathische longfibrose naar klinische onderzoeken bij mensen gebracht.
Farmateams gebruiken virtuele screening om miljoenen kandidaat-moleculen computationeel te rangschikken, waarbij alleen de meest veelbelovende in het laboratorium worden getest.
AI-toxiciteitsmodellen voorspellen of een kandidaat de lever of het hart zal beschadigen, waardoor gevaarlijke verbindingen worden geëlimineerd vóór dierproeven.
Risico's en vangrails
Regelgevingsvereisten kunnen anderszins sterke prototypes ongeldig maken.
Historische gegevens kunnen vooroordelen coderen die specifieke gemeenschappen schade toebrengen.
Oudere systemen kunnen integratieknelpunten en verborgen kosten veroorzaken.
Implementatie routekaart
Betrek domeinexperts, van het formuleren van het probleem tot de evaluatie.
Ontwerp audit trails en documentatie vóór de lancering.
Valideer compliance- en veiligheidsverplichtingen vroegtijdig.
Uitrol in fasen met duidelijke stop- en terugdraaicriteria.
Blijf verkennen
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
Isomorfe Labs Geneesmiddelenontdekking
Frequently asked questions
What is AI in Drug Discovery?
AI bij de ontdekking van geneesmiddelen maakt gebruik van machinaal leren om moleculair gedrag te voorspellen, nieuwe verbindingen te ontwerpen en de jaren en miljarden te verkorten die normaal nodig zijn om een levensvatbaar medicijn te vinden. Het hervormt het langzaamste en meest risicovolle deel van de farmaceutische sector.
Wat heeft AlphaFold van DeepMind bereikt dat de ontdekking van medicijnen bevordert?
AlphaFold gebruikte deep learning om 3D-eiwitstructuren op grote schaal te voorspellen, waardoor onderzoekers structurele blauwdrukken kregen waar voorheen jaren van experimenten voor nodig waren.
Hoe worden moleculen gewoonlijk weergegeven in machine learning-modellen?
Moleculen zijn van nature grafieken (atomen = knooppunten, bindingen = randen) die worden verwerkt door neurale netwerken van grafieken, of gecodeerd als SMILES-reeksen voor sequentiemodellen.
Wat is 'virtuele screening' bij het ontdekken van AI-geneesmiddelen?
Virtuele screening maakt gebruik van modellen om enorme bibliotheken van moleculen in silico te scoren, zodat alleen topkandidaten worden gemaakt en getest in het laboratorium.
Waarom is het vroegtijdig voorspellen van ADME en de toxiciteit zo waardevol?
Vroegtijdige voorspelling van absorptie, metabolisme en toxiciteit doodt slechte kandidaten vóór kostbare dier- en mensproeven, waardoor tijd en geld worden bespaard.
Welke generatieve AI-technieken worden gebruikt om nieuwe moleculen te ontwerpen?
Generatieve modellen zoals VAE's en diffusiemodellen bemonsteren nieuwe structuren uit een aangeleerde chemische ruimte en optimaliseren de gewenste eigenschappen.