AI trong khám phá ma túy
AI trong việc khám phá thuốc sử dụng công nghệ học máy để dự đoán hành vi phân tử, thiết kế các hợp chất mới và rút ngắn thời gian cũng như hàng tỷ năm thường cần để tìm ra một loại thuốc khả thi.
Tổng quan
It is reshaping the slowest, riskiest part of pharma.
Lặn sâu
Theo truyền thống, việc đưa một loại thuốc ra thị trường phải mất từ 10 đến 15 năm và hơn một tỷ đô la, hầu hết các ứng cử viên đều thất bại. AI tấn công một số nút thắt cổ chai. Trong việc xác định mục tiêu, các mô hình khai thác dữ liệu gen và protein để tìm ra các protein liên quan đến bệnh tật có giá trị sử dụng. Trong khám phá thành công, các mô hình tổng hợp đề xuất các phân tử mới có đặc tính mong muốn, trong khi sàng lọc ảo xếp hạng hàng triệu hợp chất mà không cần tổng hợp trong phòng thí nghiệm. AlphaFold của DeepMind đã dự đoán cấu trúc 3D của hơn 200 triệu protein, cung cấp cho các nhà nghiên cứu những bản thiết kế mà trước đây phải mất nhiều năm tinh thể học. Các công ty như Insilico Medicine và Recursion hiện đang sử dụng các phân tử do AI thiết kế trong các thử nghiệm trên người. AI cũng dự đoán sớm độc tính và ADME (hấp thu, phân phối, chuyển hóa, bài tiết), tiêu diệt các ứng cử viên xấu trước khi thử nghiệm tốn kém.
Hiểu biết kỹ thuật
Các phân tử thường được biểu diễn dưới dạng biểu đồ (nguyên tử dưới dạng nút, liên kết dưới dạng cạnh) và được xử lý bởi mạng lưới thần kinh đồ thị hoặc dưới dạng chuỗi văn bản được gọi là SMILES được cung cấp cho các mô hình chuỗi. Các phương pháp tiếp cận sáng tạo như bộ mã hóa tự động biến thiên và mô hình khuếch tán lấy mẫu các cấu trúc mới trong không gian hóa học đã học, tối ưu hóa ái lực liên kết và độ giống thuốc. AlphaFold sử dụng phương pháp học sâu dựa trên sự chú ý được đào tạo trên Ngân hàng Dữ liệu Protein để dự đoán cách các chuỗi axit amin gấp thành hình dạng 3D nhằm xác định chức năng.
Tác động chiến lược
Bối cảnh và quy tắc
Bối cảnh của ngành quyết định liệu các ý tưởng AI có tồn tại được khi tiếp xúc với thực tế hay không.
Kiểm soát chất lượng
Các ràng buộc về miền ảnh hưởng đến tỷ lệ lỗi có thể chấp nhận được và các mô hình giám sát.
Xây dựng lựa chọn
Triển khai thành công sẽ điều chỉnh năng lực kỹ thuật phù hợp với quy trình làm việc tuyến đầu.
Tương lai của AI trong việc khám phá thuốc
Biên giới là các phòng thí nghiệm tự lái, khép kín, nơi AI đề xuất các phân tử, robot tổng hợp và kiểm tra chúng, đồng thời kết quả sẽ đào tạo lại mô hình trong vòng vài ngày. Mong đợi hóa học tổng hợp được điều chỉnh bởi phản hồi của phòng thí nghiệm, kháng thể do AI thiết kế và phương pháp trị liệu bằng RNA cũng như các mô hình nền tảng được đào tạo về sinh học. Các cơ quan quản lý đang soạn thảo hướng dẫn cho các ứng viên có nguồn gốc từ AI. Bài kiểm tra khó khăn vẫn là các thử nghiệm lâm sàng, trong đó sự phức tạp của sinh học vẫn làm hạn chế khả năng dự đoán, vì vậy chiến thắng ngắn hạn lớn nhất của AI là các quyết định tiền lâm sàng nhanh hơn, rẻ hơn, thông minh hơn.
Triển khai trong thế giới thực
Cơ sở dữ liệu mở của AlphaFold cho phép các nhà nghiên cứu trên toàn thế giới tra cứu cấu trúc protein 3D được dự đoán để hướng dẫn thiết kế thuốc.
Insilico Medicine đã đưa loại thuốc điều trị bệnh xơ phổi vô căn do AI phát hiện vào thử nghiệm lâm sàng ở người.
Các nhóm dược phẩm sử dụng sàng lọc ảo để xếp hạng trên máy tính hàng triệu phân tử ứng cử viên, chỉ thử nghiệm những phân tử có triển vọng nhất trong phòng thí nghiệm.
Các mô hình độc tính AI dự đoán liệu một ứng cử viên sẽ gây hại cho gan hay tim, loại bỏ các hợp chất nguy hiểm trước khi thử nghiệm trên động vật.
Rủi ro & lan can
Các yêu cầu pháp lý có thể vô hiệu hóa các nguyên mẫu mạnh mẽ.
Dữ liệu lịch sử có thể mã hóa thành kiến gây tổn hại cho các cộng đồng cụ thể.
Các hệ thống cũ có thể tạo ra các nút thắt cổ chai trong tích hợp và chi phí tiềm ẩn.
Lộ trình thực hiện
Thu hút các chuyên gia trong lĩnh vực từ việc xác định vấn đề đến đánh giá.
Thiết kế các đường dẫn kiểm tra và tài liệu trước khi ra mắt.
Xác nhận sớm các nghĩa vụ tuân thủ và an toàn.
Triển khai theo từng giai đoạn với tiêu chí dừng và khôi phục rõ ràng.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Khám phá thuốc của phòng thí nghiệm đẳng hình
Câu hỏi thường gặp
What is AI in Drug Discovery?
AI trong việc khám phá thuốc sử dụng công nghệ học máy để dự đoán hành vi phân tử, thiết kế các hợp chất mới và rút ngắn thời gian cũng như hàng tỷ năm thường cần để tìm ra một loại thuốc khả thi. Nó đang định hình lại phần chậm nhất, rủi ro nhất của ngành dược phẩm.
AlphaFold của DeepMind đã làm được gì để hỗ trợ việc khám phá thuốc?
AlphaFold đã sử dụng công nghệ học sâu để dự đoán cấu trúc protein 3D trên quy mô lớn, cung cấp cho các nhà nghiên cứu bản thiết kế cấu trúc mà trước đây phải mất nhiều năm thử nghiệm.
Các phân tử thường được biểu diễn như thế nào trong các mô hình học máy?
Các phân tử là các đồ thị tự nhiên (nguyên tử = nút, liên kết = cạnh) được xử lý bởi mạng thần kinh đồ thị hoặc được mã hóa dưới dạng chuỗi SMILES cho các mô hình chuỗi.
'Sàng lọc ảo' trong khám phá thuốc AI là gì?
Quá trình sàng lọc ảo sử dụng các mô hình để chấm điểm các thư viện phân tử khổng lồ trong silico, vì vậy chỉ những ứng cử viên hàng đầu mới được tạo ra và thử nghiệm trong phòng thí nghiệm.
Tại sao việc dự đoán sớm ADME và độc tính lại có giá trị đến vậy?
Dự đoán sớm về sự hấp thụ, trao đổi chất và độc tính sẽ loại bỏ những ứng cử viên xấu trước khi thử nghiệm tốn kém trên động vật và con người, tiết kiệm thời gian và tiền bạc.
Những kỹ thuật AI tổng hợp nào được sử dụng để thiết kế các phân tử mới?
Các mô hình sinh học như VAE và mô hình khuếch tán lấy mẫu các cấu trúc mới từ không gian hóa học đã học, tối ưu hóa các đặc tính mong muốn.