Обзор
ИИ в разработке лекарств использует машинное обучение для прогнозирования молекулярного поведения, разработки новых соединений и сокращения лет и миллиардов, которые обычно необходимы для поиска жизнеспособного лекарства. Он меняет самую медленную и рискованную часть фармацевтической отрасли.
ИИ в поиске лекарств применяет ИИ в специфичных для конкретной области средах, где правила, операции и толерантность к риску сильно влияют на выбор дизайна.
Глубокое погружение
Вывод препарата на рынок традиционно занимает от 10 до 15 лет и требует более миллиарда долларов, при этом большинство кандидатов терпят неудачу. ИИ атакует несколько узких мест. При идентификации целей моделируют данные геномики и белков, чтобы найти белки, связанные с заболеваниями, которые стоит принимать лекарствами. Генеративные модели предлагают новые молекулы с желаемыми свойствами, а виртуальный скрининг ранжирует миллионы соединений без лабораторного синтеза. AlphaFold компании DeepMind предсказал трехмерные структуры более чем 200 миллионов белков, дав исследователям чертежи, которые когда-то требовали многих лет кристаллографии. Такие компании, как Insilico Medicine и Recursion, сейчас используют молекулы, разработанные с помощью ИИ, в испытаниях на людях. ИИ также заранее прогнозирует токсичность и ADME (абсорбцию, распределение, метаболизм, выведение), убивая плохих кандидатов до дорогостоящих испытаний.
Техническая информация
Молекулы часто представляются в виде графов (атомы — в виде узлов, связи — в виде ребер) и обрабатываются графовыми нейронными сетями или в виде текстовых строк, называемых SMILES, которые передаются в модели последовательностей. Генеративные подходы, такие как вариационные автоэнкодеры и диффузионные модели, отбирают новые структуры в изученном химическом пространстве, оптимизируя сродство связывания и сходство с лекарственными средствами. AlphaFold использует глубокое обучение на основе внимания, обученное на базе банка данных белков, чтобы предсказать, как аминокислотные цепи складываются в трехмерные формы, определяющие функцию.
Освоение искусственного интеллекта в открытии лекарств
ИИ в разработке лекарств использует машинное обучение для прогнозирования молекулярного поведения, разработки новых соединений и сокращения лет и миллиардов, которые обычно необходимы для поиска жизнеспособного лекарства. Он меняет самую медленную и рискованную часть фармацевтической отрасли. ИИ в поиске лекарств применяет ИИ в специфичных для конкретной области средах, где правила, операции и толерантность к риску сильно влияют на выбор дизайна. Чтобы добиться глубокого понимания, рассматривайте ИИ в области поиска лекарств как операционную модель, а не как отдельную функцию: определите желаемые результаты, проясните предположения и отделите то, что система может делать надежно, от того, что все еще требует экспертной оценки.
На практике сильные команды, использующие ИИ в поиске лекарств, согласовывают технические возможности с политикой предметной области, возможностью аудита и принятием решений на передовой. Они документируют явные критерии успеха, проводят тестирование на основе реалистичных данных и рабочих процессов, а также выполняют итерации на основе наблюдаемых моделей неудач, а не разовых побед в тестах. Именно здесь теоретическое понимание превращается в прочные возможности в отношении продукта, политики и операций.
Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью. В то же время нормативные требования могут сделать недействительными надежные прототипы. Самый устойчивый подход — сочетать скорость экспериментирования с дисциплиной управления: запускать пилотные проекты, собирать доказательства, публиковать журналы решений и постоянно обновлять меры безопасности по мере развития поведения модели, ожиданий пользователей и нормативных требований.
Стратегическое воздействие
Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью.
Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора.
Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае.
Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Реальная реализация
Открытая база данных AlphaFold позволяет исследователям по всему миру искать предсказанные трехмерные структуры белков для разработки лекарств.
Компания Insilico Medicine провела клинические испытания на людях препарата от идиопатического легочного фиброза, открытого с помощью искусственного интеллекта.
Фармацевтические команды используют виртуальный скрининг для компьютерного ранжирования миллионов молекул-кандидатов, тестируя в лаборатории только самые многообещающие.
Модели токсичности искусственного интеллекта предсказывают, нанесет ли кандидат вред печени или сердцу, устраняя опасные соединения перед тестированием на животных.
Шаблоны реализации
ИИ в открытии лекарств на практике
Открытая база данных AlphaFold позволяет исследователям по всему миру искать предсказанные трехмерные структуры белков для разработки лекарств.
Открытая база данных AlphaFold позволяет исследователям по всему миру находить прогнозируемые трехмерные структуры белков для разработки лекарств. Команды обычно получают лучшие результаты, когда заранее определяют пороговые значения качества, сохраняют человеческий путь для эскалации в крайних случаях и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
ИИ в открытии лекарств на практике
Компания Insilico Medicine провела клинические испытания на людях препарата от идиопатического легочного фиброза, открытого с помощью искусственного интеллекта.
Insilico Medicine внедрила открытое с помощью ИИ лекарство от идиопатического легочного фиброза в клинические испытания на людях. Команды обычно получают лучшие результаты, когда заранее определяют пороговые значения качества, сохраняют путь эскалации с участием человека для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
ИИ в открытии лекарств на практике
Фармацевтические команды используют виртуальный скрининг для компьютерного ранжирования миллионов молекул-кандидатов, тестируя в лаборатории только самые многообещающие.
Фармацевтические команды используют виртуальный скрининг для компьютерного ранжирования миллионов молекул-кандидатов, проверяя в лаборатории только самые перспективные. Команды обычно получают лучшие результаты, когда заранее определяют пороговые значения качества, сохраняют путь человеческой эскалации для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
ИИ в открытии лекарств на практике
Модели токсичности искусственного интеллекта предсказывают, нанесет ли кандидат вред печени или сердцу, устраняя опасные соединения перед тестированием на животных.
Модели токсичности ИИ предсказывают, нанесет ли кандидат вред печени или сердцу, устраняя опасные соединения перед тестированием на животных. Команды обычно получают лучшие результаты, если заранее определяют пороговые значения качества, сохраняют путь эскалации с участием человека в крайних случаях и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Риски и ограничения
Нормативные требования могут сделать недействительными сильные прототипы.
Исторические данные могут отражать предвзятость, которая наносит вред конкретным сообществам.
Устаревшие системы могут создавать узкие места в интеграции и скрытые затраты.
Дорожная карта реализации
Привлекайте экспертов в предметной области от постановки проблемы до оценки.
Привлекайте экспертов в предметной области от постановки проблемы до оценки. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Разработайте журналы аудита и документацию перед запуском.
Разработайте журналы аудита и документацию перед запуском. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности.
Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Развертывание поэтапно с четкими критериями остановки и отката.
Развертывание поэтапно с четкими критериями остановки и отката. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.