Sztuczna inteligencja w odkrywaniu leków
Sztuczna inteligencja w odkrywaniu leków wykorzystuje uczenie maszynowe do przewidywania zachowań molekularnych, projektowania nowych związków i skracania lat i miliardów, które zwykle są potrzebne do znalezienia opłacalnego leku.
Przegląd
It is reshaping the slowest, riskiest part of pharma.
Głębokie nurkowanie
Wprowadzenie leku na rynek tradycyjnie zajmuje od 10 do 15 lat i wymaga ponad miliarda dolarów, a większość kandydatów kończy się niepowodzeniem. AI atakuje kilka wąskich gardeł. Podczas identyfikacji celów modele wykorzystują dane genomiczne i białkowe, aby znaleźć białka związane z chorobą, które warto podać w postaci leku. W ramach odkrywania hitów modele generatywne proponują nowe cząsteczki o pożądanych właściwościach, podczas gdy wirtualne badanie przesiewowe klasyfikuje miliony związków bez syntezy laboratoryjnej. AlphaFold firmy DeepMind przewidział struktury 3D dla ponad 200 milionów białek, dając badaczom plany, które kiedyś wymagały lat krystalografii. Firmy takie jak Insilico Medicine i Recursion wykorzystują cząsteczki zaprojektowane przez sztuczną inteligencję obecnie w badaniach na ludziach. Sztuczna inteligencja przewiduje również toksyczność i ADME (wchłanianie, dystrybucja, metabolizm, wydalanie) na wczesnym etapie, eliminując złych kandydatów przed kosztownymi badaniami.
Wgląd techniczny
Cząsteczki są często przedstawiane jako grafy (atomy jako węzły, wiązania jako krawędzie) i przetwarzane przez grafowe sieci neuronowe lub jako ciągi tekstowe zwane SMILES podawane do modeli sekwencji. Podejścia generatywne, takie jak autoenkodery wariacyjne i modele dyfuzji, próbkują nowe struktury w wyuczonej przestrzeni chemicznej, optymalizując pod kątem powinowactwa wiązania i podobieństwa do leku. AlphaFold wykorzystuje głębokie uczenie się oparte na uwadze, przeszkolone w Protein Data Bank, aby przewidzieć, w jaki sposób łańcuchy aminokwasów składają się w kształty 3D, które określają funkcję.
Wpływ strategiczny
Kontekst i zasady
Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
Kontrola jakości
Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
Buduj wybory
Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Przyszłość sztucznej inteligencji w odkrywaniu leków
Granicę stanowią autonomiczne laboratoria o zamkniętej pętli, w których sztuczna inteligencja proponuje cząsteczki, roboty je syntetyzują i testują, a wyniki przekwalifikowują model w ciągu kilku dni. Spodziewaj się chemii generatywnej dostrojonej na podstawie informacji zwrotnych z laboratorium, przeciwciał i terapii RNA zaprojektowanych przez sztuczną inteligencję oraz podstawowych modeli wyszkolonych w zakresie biologii. Organy regulacyjne opracowują wytyczne dla kandydatów wykorzystujących sztuczną inteligencję. Trudnym testem pozostają badania kliniczne, w których złożoność biologii wciąż utrudnia przewidywanie, zatem największą krótkoterminową korzyścią sztucznej inteligencji są szybsze, tańsze i mądrzejsze decyzje przedkliniczne.
Implementacja w świecie rzeczywistym
Otwarta baza danych AlphaFold umożliwia badaczom na całym świecie wyszukiwanie przewidywanych struktur 3D białek w celu wspomagania projektowania leków.
Insilico Medicine wprowadziło odkryty przez sztuczną inteligencję lek na idiopatyczne zwłóknienie płuc do badań klinicznych na ludziach.
Zespoły farmaceutyczne wykorzystują wirtualne badania przesiewowe do obliczeniowego rankingu milionów potencjalnych cząsteczek, testując w laboratorium tylko te najbardziej obiecujące.
Modele toksyczności AI przewidują, czy kandydat zaszkodzi wątrobie lub sercu, eliminując niebezpieczne związki przed testami na zwierzętach.
Zagrożenia i poręcze
Wymogi prawne mogą unieważnić mocne prototypy.
Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Plan wdrożenia
Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Odkrywaj dalej
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
Następny poradnik
Odkrycie leków w laboratoriach izomorficznych
Często zadawane pytania
What is AI in Drug Discovery?
Sztuczna inteligencja w odkrywaniu leków wykorzystuje uczenie maszynowe do przewidywania zachowań molekularnych, projektowania nowych związków i skracania lat i miliardów, które zwykle są potrzebne do znalezienia opłacalnego leku. Przekształca najwolniejszą i najbardziej ryzykowną część branży farmaceutycznej.
Co osiągnął AlphaFold firmy DeepMind, co pomogło w odkrywaniu leków?
AlphaFold wykorzystał głębokie uczenie się do przewidywania struktur 3D białek na dużą skalę, udostępniając badaczom plany strukturalne, które wcześniej wymagały lat eksperymentów.
W jaki sposób cząsteczki są powszechnie reprezentowane w modelach uczenia maszynowego?
Cząsteczki to naturalnie grafy (atomy = węzły, wiązania = krawędzie) przetwarzane przez grafowe sieci neuronowe lub kodowane jako ciągi SMILES dla modeli sekwencji.
Co to jest „wirtualny przegląd” w odkrywaniu leków przez sztuczną inteligencję?
Wirtualne badania przesiewowe wykorzystują modele do oceny ogromnych bibliotek cząsteczek in silico, dlatego w laboratorium tworzone i testowane są tylko najlepsze kandydaci.
Dlaczego wczesne przewidywanie ADME i toksyczności jest tak cenne?
Wczesne przewidywanie wchłaniania, metabolizmu i toksyczności eliminuje złych kandydatów przed kosztownymi testami na zwierzętach i ludziach, oszczędzając czas i pieniądze.
Jakie techniki generatywnej sztucznej inteligencji wykorzystuje się do projektowania nowych cząsteczek?
Modele generatywne, takie jak VAE i modele dyfuzji, pobierają próbki nowych struktur z poznanej przestrzeni chemicznej, optymalizując je pod kątem pożądanych właściwości.