AI ในการค้นคว้ายา
AI ในการค้นพบยาใช้การเรียนรู้ของเครื่องเพื่อทำนายพฤติกรรมของโมเลกุล ออกแบบสารประกอบใหม่ และลดจำนวนปีและพันล้านปีที่จำเป็นในการค้นหายาที่มีชีวิต
ภาพรวม
It is reshaping the slowest, riskiest part of pharma.
เจาะลึก
การนำยาออกสู่ตลาดโดยปกติแล้วจะใช้เวลา 10 ถึง 15 ปีและมีมูลค่ามากกว่าหนึ่งพันล้านดอลลาร์ โดยผู้สมัครส่วนใหญ่ไม่ผ่าน AI โจมตีปัญหาคอขวดหลายประการ ในการระบุเป้าหมาย จำลองข้อมูลจีโนมและโปรตีนเพื่อค้นหาโปรตีนที่เชื่อมโยงกับโรคซึ่งคุ้มค่าแก่การใช้ยา ในการค้นพบที่ได้รับความนิยม แบบจำลองกำเนิดจะเสนอโมเลกุลใหม่ที่มีคุณสมบัติที่ต้องการ ในขณะที่การคัดกรองเสมือนจะจัดอันดับสารประกอบนับล้านที่ไม่มีการสังเคราะห์ในห้องปฏิบัติการ AlphaFold ของ DeepMind คาดการณ์โครงสร้าง 3 มิติของโปรตีนมากกว่า 200 ล้านชนิด ทำให้นักวิจัยสามารถพิมพ์เขียวที่ครั้งหนึ่งเคยต้องใช้เวลาหลายปีในการศึกษาผลึก บริษัทต่างๆ เช่น Insilico Medicine และ Recursion ใช้โมเลกุลที่ออกแบบโดย AI ในการทดลองกับมนุษย์ AI ยังคาดการณ์ความเป็นพิษและ ADME (การดูดซึม การกระจายตัว เมแทบอลิซึม การขับถ่าย) ได้ตั้งแต่เนิ่นๆ ซึ่งจะฆ่าผู้สมัครที่ไม่ดีก่อนการทดลองที่มีค่าใช้จ่ายสูง
ข้อมูลเชิงลึกทางเทคนิค
โมเลกุลมักแสดงเป็นกราฟ (อะตอมเป็นโหนด พันธะเป็นขอบ) และประมวลผลโดยโครงข่ายประสาทเทียมแบบกราฟ หรือเป็นสตริงข้อความที่เรียกว่า SMILES ที่ป้อนเข้ากับแบบจำลองลำดับ วิธีการสร้างเช่นตัวเข้ารหัสอัตโนมัติแบบแปรผันและแบบจำลองการแพร่กระจายเป็นตัวอย่างโครงสร้างใหม่ในพื้นที่เคมีที่เรียนรู้ โดยปรับให้เหมาะสมสำหรับความสัมพันธ์ที่ผูกพันและความคล้ายคลึงกับยา AlphaFold ใช้การเรียนรู้เชิงลึกตามความสนใจที่ได้รับการฝึกอบรมจาก Protein Data Bank เพื่อคาดการณ์ว่าสายกรดอะมิโนจะรวมตัวกันเป็นรูปทรง 3 มิติที่กำหนดฟังก์ชันได้อย่างไร
ผลกระทบเชิงกลยุทธ์
บริบทและกฎ
บริบททางอุตสาหกรรมเป็นตัวกำหนดว่าแนวคิด AI จะรอดจากการสัมผัสกับความเป็นจริงหรือไม่
การควบคุมคุณภาพ
ข้อจำกัดของโดเมนมีอิทธิพลต่ออัตราข้อผิดพลาดที่ยอมรับได้และแบบจำลองการควบคุมดูแล
สร้างทางเลือก
การปรับใช้ที่ประสบความสำเร็จจะปรับความสามารถทางเทคนิคให้สอดคล้องกับเวิร์กโฟลว์แนวหน้า
อนาคตของ AI ในการค้นพบยา
ขอบเขตเป็นห้องปฏิบัติการแบบวงปิดที่ขับเคลื่อนด้วยตนเอง โดยที่ AI เสนอโมเลกุล หุ่นยนต์สังเคราะห์และทดสอบพวกมัน และฝึกโมเดลใหม่ภายในไม่กี่วัน คาดหวังเคมีเชิงกำเนิดที่ได้รับการปรับแต่งตามผลตอบรับจากห้องปฏิบัติการ แอนติบอดีที่ออกแบบโดย AI และการบำบัดด้วย RNA และแบบจำลองพื้นฐานที่ได้รับการฝึกอบรมเกี่ยวกับชีววิทยา หน่วยงานกำกับดูแลกำลังร่างคำแนะนำสำหรับผู้สมัครที่ได้รับ AI การทดสอบที่ยากลำบากยังคงเป็นการทดลองทางคลินิก ซึ่งความซับซ้อนของชีววิทยายังคงทำให้การคาดการณ์ลดลง ดังนั้นชัยชนะครั้งใหญ่ที่สุดของ AI ในระยะสั้นจึงเร็วกว่า ถูกกว่า และชาญฉลาดกว่าในการตัดสินใจพรีคลินิก
การใช้งานจริงในโลกแห่งความเป็นจริง
ฐานข้อมูลแบบเปิดของ AlphaFold ช่วยให้นักวิจัยทั่วโลกสามารถค้นหาโครงสร้างโปรตีน 3 มิติที่คาดการณ์ไว้เพื่อเป็นแนวทางในการออกแบบยา
Insilico Medicine พัฒนายาที่ค้นพบโดย AI สำหรับโรคพังผืดในปอดโดยไม่ทราบสาเหตุเข้าสู่การทดลองทางคลินิกในมนุษย์
ทีมเภสัชกรรมใช้การคัดกรองเสมือนจริงเพื่อคำนวณจัดอันดับโมเลกุลที่ต้องการทดสอบนับล้าน โดยทดสอบเฉพาะโมเลกุลที่มีแนวโน้มดีที่สุดในห้องแล็บ
แบบจำลองความเป็นพิษของ AI คาดการณ์ว่าผู้สมัครจะเป็นอันตรายต่อตับหรือหัวใจ โดยกำจัดสารประกอบอันตรายก่อนการทดสอบกับสัตว์
ความเสี่ยงและรั้ว
ข้อกำหนดด้านกฎระเบียบอาจทำให้ต้นแบบที่แข็งแกร่งเป็นโมฆะได้
ข้อมูลในอดีตอาจเข้ารหัสอคติที่เป็นอันตรายต่อชุมชนบางแห่ง
ระบบเดิมสามารถสร้างปัญหาคอขวดในการบูรณาการและต้นทุนแอบแฝงได้
แผนงานการดำเนินงาน
ให้ผู้เชี่ยวชาญโดเมนมีส่วนร่วมตั้งแต่การกำหนดกรอบปัญหาไปจนถึงการประเมิน
ออกแบบเส้นทางการตรวจสอบและเอกสารประกอบก่อนการเปิดตัว
ตรวจสอบการปฏิบัติตามข้อกำหนดและภาระผูกพันด้านความปลอดภัยตั้งแต่เนิ่นๆ
เปิดตัวเป็นระยะโดยมีเกณฑ์การหยุดและย้อนกลับที่ชัดเจน
สำรวจต่อไป
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
คำแนะนำต่อไป
การค้นพบยา Isomorphic Labs
คำถามที่พบบ่อย
What is AI in Drug Discovery?
AI ในการค้นพบยาใช้การเรียนรู้ของเครื่องเพื่อทำนายพฤติกรรมของโมเลกุล ออกแบบสารประกอบใหม่ และลดจำนวนปีและพันล้านปีที่จำเป็นในการค้นหายาที่มีชีวิต กำลังปรับเปลี่ยนส่วนที่ช้าที่สุดและเสี่ยงที่สุดของยา
AlphaFold ของ DeepMind ช่วยในการค้นพบยาประสบความสำเร็จอะไรบ้าง
AlphaFold ใช้การเรียนรู้เชิงลึกเพื่อทำนายโครงสร้างโปรตีน 3 มิติในวงกว้าง ทำให้นักวิจัยสามารถพิมพ์เขียวเชิงโครงสร้างที่ก่อนหน้านี้ใช้เวลาหลายปีของการทดลอง
โดยทั่วไปแล้วโมเลกุลจะถูกนำเสนอในโมเดลการเรียนรู้ของเครื่องอย่างไร
โมเลกุลเป็นกราฟโดยธรรมชาติ (อะตอม = โหนด พันธะ = ขอบ) ประมวลผลโดยโครงข่ายประสาทเทียมแบบกราฟ หรือเข้ารหัสเป็นสตริง SMILES สำหรับแบบจำลองลำดับ
'การคัดกรองเสมือนจริง' ในการค้นพบยาด้วย AI คืออะไร
การคัดกรองเสมือนจริงใช้แบบจำลองเพื่อให้คะแนนคลังโมเลกุลขนาดใหญ่ในซิลิโก ดังนั้นจึงมีเพียงตัวเลือกอันดับต้นๆ เท่านั้นที่ถูกสร้างและทดสอบในห้องปฏิบัติการ
เหตุใดการทำนาย ADME และความเป็นพิษตั้งแต่เนิ่นๆ จึงมีค่ามาก
การคาดการณ์การดูดซึม เมแทบอลิซึม และความเป็นพิษตั้งแต่เนิ่นๆ จะฆ่าผู้สมัครที่ไม่ดีก่อนที่จะทำการทดสอบกับสัตว์และมนุษย์ซึ่งมีค่าใช้จ่ายสูง ซึ่งช่วยประหยัดเวลาและเงิน
เทคนิค AI เชิงกำเนิดใดบ้างที่ใช้ในการออกแบบโมเลกุลใหม่
แบบจำลองเชิงกำเนิด เช่น VAE และแบบจำลองการแพร่กระจายสุ่มตัวอย่างโครงสร้างใหม่จากพื้นที่ทางเคมีที่เรียนรู้ โดยปรับให้เหมาะสมกับคุณสมบัติที่ต้องการ