AI у відкритті ліків
Штучний інтелект у відкритті ліків використовує машинне навчання для прогнозування молекулярної поведінки, розробки нових сполук і скорочення років і мільярдів, які зазвичай необхідні для пошуку життєздатного ліки.
Огляд
It is reshaping the slowest, riskiest part of pharma.
Глибоке занурення
Виведення ліків на ринок традиційно займає від 10 до 15 років і понад мільярд доларів, причому більшість кандидатів зазнають невдачі. ШІ атакує кілька вузьких місць. Під час ідентифікації мішеней моделює геномні дані та дані про білки, щоб знайти білки, пов’язані з захворюваннями, які варто лікувати. У відкритті хітів генеративні моделі пропонують нові молекули з бажаними властивостями, тоді як віртуальний скринінг ранжує мільйони сполук без лабораторного синтезу. AlphaFold від DeepMind передбачив 3D-структури для понад 200 мільйонів білків, надавши дослідникам креслення, які колись потребували років кристалографії. Такі компанії, як Insilico Medicine та Recursion, тепер використовують молекули, розроблені ШІ, у випробуваннях на людях. ШІ також прогнозує токсичність і ADME (поглинання, розподіл, метаболізм, виведення) на ранній стадії, вбиваючи поганих кандидатів до дорогих випробувань.
Технічне розуміння
Молекули часто представляють у вигляді графіків (атоми як вузли, зв’язки як ребра) і обробляються нейронними мережами графів або у вигляді текстових рядків під назвою SMILES, які подаються в моделі послідовності. Генеративні підходи, такі як варіаційні автокодери та дифузійні моделі, відбирають нові структури в дослідженому хімічному просторі, оптимізуючи спорідненість зв’язування та подібність до ліків. AlphaFold використовує глибоке навчання на основі уваги, навчене в банку даних про білки, щоб передбачити, як ланцюги амінокислот згортаються в 3D-форми, які визначають функцію.
Стратегічний вплив
Контекст і правила
Галузевий контекст визначає, чи виживуть ідеї ШІ при контакті з реальністю.
Контроль якості
Обмеження домену впливають на прийнятну кількість помилок і моделі контролю.
Створіть вибір
Успішне розгортання узгоджує технічні можливості з робочими процесами.
Майбутнє ШІ у відкритті ліків
Краєм є лабораторії із замкнутим циклом роботи з автономним керуванням, де штучний інтелект пропонує молекули, роботи їх синтезують і тестують, а результати перенавчають модель протягом кількох днів. Очікуйте генеративну хімію, налаштовану на відгуки лабораторій, антитіла, розроблені штучним інтелектом, і РНК-терапію, а також базові моделі, навчені біології. Регулятори готують інструкції для кандидатів на основі ШІ. Важким випробуванням залишаються клінічні випробування, де складність біології все ще стримує прогнози, тому найбільша перемога штучного інтелекту в найближчій перспективі – це швидші, дешевші та розумніші доклінічні рішення.
Реалізація в реальному світі
Відкрита база даних AlphaFold дозволяє дослідникам у всьому світі шукати передбачувані тривимірні структури білків для розробки лікарських засобів.
Insilico Medicine провела клінічні випробування на людях винайдений штучним інтелектом препарат від ідіопатичного фіброзу легень.
Команди фармацевтів використовують віртуальний скринінг для обчислювального ранжування мільйонів молекул-кандидатів, тестуючи лише найперспективніші в лабораторії.
Моделі токсичності штучного інтелекту передбачають, чи зашкодить кандидат печінці чи серцю, усуваючи небезпечні сполуки перед тестуванням на тваринах.
Ризики та огорожі
Нормативні вимоги можуть зробити недійсними в іншому випадку надійні прототипи.
Історичні дані можуть кодувати упередженість, яка шкодить певним спільнотам.
Застарілі системи можуть створювати вузькі місця інтеграції та приховані витрати.
Дорожня карта впровадження
Залучайте експертів із предметної області від розробки проблеми до оцінки.
Створіть контрольні стежки та документацію перед запуском.
Завчасно перевірте зобов’язання щодо відповідності та безпеки.
Розгортайте поетапно з чіткими критеріями зупинки та відкату.
Продовжуйте досліджувати
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
Наступний посібник
Ізоморфна лабораторія відкриття ліків
Часті запитання
What is AI in Drug Discovery?
Штучний інтелект у відкритті ліків використовує машинне навчання для прогнозування молекулярної поведінки, розробки нових сполук і скорочення років і мільярдів, які зазвичай необхідні для пошуку життєздатного ліки. Він змінює найповільнішу та найризикованішу частину фармацевтики.
Чого досягнув AlphaFold від DeepMind, що допомагає у відкритті ліків?
AlphaFold використовував глибоке навчання для прогнозування білкових тривимірних структур у масштабі, даючи дослідникам структурні креслення, які раніше потребували років експериментів.
Як зазвичай представлені молекули в моделях машинного навчання?
Молекули, природно, є графами (атоми = вузли, зв’язки = ребра), оброблені нейронними мережами графів або закодовані як рядки SMILES для моделей послідовності.
Що таке «віртуальний скринінг» у відкритті штучного інтелекту?
Віртуальний скринінг використовує моделі для оцінки величезних бібліотек молекул in silico, тому лише найкращі кандидати створюються та перевіряються в лабораторії.
Чому раннє прогнозування ADME та токсичності є таким цінним?
Раннє передбачення поглинання, метаболізму та токсичності вбиває поганих кандидатів до дорогого тестування на тваринах і людях, заощаджуючи час і гроші.
Які генеративні методи ШІ використовуються для розробки нових молекул?
Генеративні моделі, такі як VAE, і дифузійні моделі відбирають нові структури з вивченого хімічного простору, оптимізуючи бажані властивості.