FDA США определяет пять шагов для разработки нового лекарства: открытие и разработка, доклинические исследования, клинические исследования, обзор FDA и мониторинг безопасности FDA после выхода на рынок [1]. Центр Тафтса по изучению разработки лекарств оценивает среднюю стоимость разработки нового лекарства в 2,55 миллиарда долларов США, при этом процесс потенциально может занять более 10 лет [2].

Первый шаг - открытие лекарств - обычно включает один из четырех сценариев: поиск новых сведений о болезни, обнаружение возможных эффектов лекарства путем тестирования молекулярных соединений, перепрофилирование существующих лекарств или манипулирование генетическими материалами. На стадии открытия лекарств тысячи соединений могут быть потенциальными кандидатами для разработки в качестве лекарства. [3] Им нужно пройти серию тестов, и лишь небольшая их часть перейдет к дальнейшим исследованиям.

Чтобы ускорить открытие лекарств и снизить затраты на разработку лекарств, фармацевтические компании внедряют в свои процессы технологии искусственного интеллекта, такие как машинное обучение и глубокое обучение.

Как ИИ может ускорить открытие лекарств

Новое понимание болезни

Открытие лекарств - это управляемая данными среда с огромным количеством данных, таких как медицинские изображения с высоким разрешением, геномные профили, метаболиты, молекулярные структуры и биологическая информация. [4] Эта информация публикуется в газетах и ​​журналах, однако исследователям может быть сложно не отставать от нее. ИИ может использовать машинное обучение и глубокое обучение для более быстрой корреляции, ассимиляции и подключения существующих данных, чтобы помочь обнаруживать закономерности в пулах данных. Изучая научно-исследовательские работы, ИИ может устанавливать связи, которые предоставляют возможные гипотезы для открытия лекарств.

  • Учитывая огромный объем опубликованных медицинских статей и то, что исследователи-люди обычно читают только от 200 до 300 статей в год, использование машин для чтения может повысить эффективность процесса. Фармацевтический гигант Pfizer использует облачную платформу IBM Watson for Drug Discovery, которая включает 25 миллионов аннотаций статей в Medline и один миллион статей в медицинских журналах в своих иммуноонкологических исследованиях [5].
  • Британская компания BenevolentAI использует искусственный интеллект и глубокое обучение для добычи и анализа огромных объемов сложной научной информации, чтобы ускорить открытие лекарств. Научные статьи, информация о клинических испытаниях и наборы данных могут быть переработаны, чтобы предоставить исследователям новую информацию. При таком подходе BenevolentAI может сократить процесс и предсказать, как соединения могут быть более эффективными в борьбе с болезнями. [6] Например, BenevolentAI использовала технологию искусственного интеллекта, чтобы помочь определить потенциальные гипотезы лечения БАС (также известного как болезнь двигательных нейронов) в 2016 году.

Обнаружение возможных эффектов лекарства путем тестирования молекулярных соединений

Найти новые соединения для лекарства сложно, потому что возможных комбинаций бесчисленное множество. Для таких исследований требуются медицинские данные о генах, белках, метаболитах, молекулярных структурах и биологическая информация. [7] Обработка такого огромного количества информации может быть очень трудоемкой задачей. Фармацевтические компании обнаруживают, что методы искусственного интеллекта, такие как алгоритмы глубокого обучения, могут обрабатывать ту же информацию намного быстрее.

  • Платформа искусственного интеллекта Exscientia кодирует глубоко укоренившиеся знания для разработки и оценки соединений, для скрининга соединений в клетках или моделях животных. Сравнивая результаты недавно разработанного соединения с ожидаемыми характеристиками и с другими молекулами, исследователи могут разработать конструкции соединений, которые помогут в открытии новых лекарств. Exscientia может быстро синтезировать и анализировать небольшие партии соединений, что может помочь усовершенствовать разрабатываемые модели и усовершенствовать конструкции. [8]
  • Технология исследования наркотиков Atomwise, AtomNet, использует алгоритмы глубокого обучения и эластичные суперкомпьютерные платформы для ежедневного скрининга более десяти миллионов соединений, что ускоряет процесс идентификации молекул как потенциальных кандидатов в лекарства. Моделирование молекул AtomNet более эффективно, чем физические методы высокопроизводительного скрининга, а также может обеспечить лучшее понимание токсичности, побочных эффектов и эффективности лекарства. [9]

Перепрофилирование существующих лекарств

Переназначение лекарства, также известное как изменение положения лекарства или терапевтическое переключение, представляет собой применение известных лекарств и соединений для лечения новых показаний. [11] Одним из преимуществ репозиционирования лекарств является то, что большинство репозиционированных лекарств уже прошли серию тестов, и поэтому имеют меньший риск неожиданной токсичности или побочных эффектов. С помощью алгоритмов машинного обучения фармацевтические компании могут перепрофилировать лекарства быстрее и с меньшими затратами, чем разработка новых лекарств.

  • IBM сотрудничает с Teva Pharmaceuticals в усилиях по перепрофилированию лекарств, используя реальные данные и алгоритмы машинного обучения. IBM Watson использует когнитивные технологии для сбора неструктурированных данных и изучения взаимосвязей между молекулами лекарств и конкретными заболеваниями, что может значительно улучшить перепрофилирование лекарств. [12]
  • Биоинформатическая компания NuMedii работает с Astellas Pharma над проектами перепрофилирования лекарств с использованием методов машинного обучения. NuMedii использует алгоритмы на основе нейронных сетей для поиска новых кандидатов в лекарства из своих ресурсов больших данных, используя биологические, фармакологические и клинические данные. Таким образом, NuMedii может помочь изменить назначение существующих лекарств или создать лекарства-кандидаты для других медицинских показаний. [13]

Манипулирование генетическим материалом

Манипулирование генетическими материалами для открытия лекарств также известно как персонализированная медицина или точная медицина. Подобное открытие лекарств может быть более эффективным в лечении, поскольку оно основано на индивидуальных данных о здоровье в сочетании с прогнозной аналитикой. [14] Чтобы эффективно собирать, анализировать, хранить и отслеживать подробную информацию о человеке, особенно когда данные огромны и неструктурированы, фармацевтические компании используют глубокое обучение, машинное обучение или компьютерное зрение.

  • Исследования точной медицины MIT Clinical Machine Learning Group сосредоточены на неконтролируемом обучении, глубоком обучении, моделировании временных рядов, приближенном вероятностном выводе, структурированном прогнозировании и алгоритмах частично контролируемого обучения для обработки естественного языка [15]. Исследовательская группа использует эти технологии, чтобы лучше понять процессы заболевания и разработать лекарства для лечения таких заболеваний, как диабет 2 типа.
  • Recursion Pharmaceuticals, биотехнологическая компания, управляемая искусственным интеллектом, работает с глобальной биофармацевтической компанией Sanofi, чтобы определить применение молекул на клинической стадии в лечении генетических заболеваний. Рекурсия использует компьютерное зрение для анализа изображений отдельных клеток, просматривает их в библиотеке моделей генетических заболеваний и использует технологию машинного обучения для получения новых показаний [13].

Будущее открытия лекарств

Мы знаем, что искусственный интеллект можно применять при открытии лекарств, чтобы ускорить процесс. Есть также области, в которых искусственный интеллект может помочь в разработке лекарств. Например, клинические испытания в настоящее время подразделяются на пять этапов, и для перехода от первого к третьему этапу обычно требуется более трех тысяч испытуемых. [17] Большинство фармацевтических компаний используют кадровые агентства для поиска субъектов клинических испытаний путем изучения индивидуальных медицинских карт. [18] Эта задача требует времени, а эффективность невысока. Компании могут использовать машинное обучение для обучения модели, которая включает возраст, пол, историю лечения и текущее состояние здоровья, чтобы создать критерии включения / исключения, которые ускорят этот аспект исследования клинических испытаний.

Более того, ИИ может помочь проверить побочные эффекты или токсичность лекарств-кандидатов. Cyclica, канадский стартап, использует набор вычислительных алгоритмов для оценки и прогнозирования того, как лекарства могут взаимодействовать с человеческим телом. [19] Этот вид тестирования помогает фармацевтическим компаниям выявлять побочные эффекты кандидата в лекарство перед клиническими испытаниями, чтобы компании могли заранее внести коррективы.

Открытие лекарств может выиграть от машинного обучения, глубокого обучения и компьютерного моделирования. Однако существует также возможность внесения смещений из-за несбалансированных данных, которые могут вызвать ошибки или дискриминацию, пока ИИ тренирует нейронные сети. [8] Группа исследователей из Insilico Medicine обнаружила, что точность может стать нестабильной, если нейронная сеть не была обучена с использованием различных наборов данных. Поэтому диапазон, количество и качество входных данных являются ключевыми факторами для дальнейшего внедрения ИИ при открытии лекарств.

Приложение

[1] Процесс разработки лекарств: https://www.fda.gov/ForPatients/Approvals/Drugs/default.htm

[2] Опубликован анализ затрат на исследования и разработки Tufts CSDD: http://csdd.tufts.edu/news/complete_story/tufts_csdd_rd_cost_study_now_published

[3] Открытие и разработка: https://www.fda.gov/ForPatients/Approvals/Drugs/ucm405382.htm

[4] AI предоставляет новые сведения об ускоренной разработке лекарств: https://blogs.sap.com/2017/11/02/ai-provides-new-insights-for-accelerated-drug-development/

[5] Искусственный интеллект в фармацевтике и биомедицине - анализ 5 ведущих мировых фармацевтических компаний: https://www.techemergence.com/ai-in-pharma-and-biomedicine/

[6] Что, если бы ИИ смог вывести ваши исследования на новый уровень ?: http://benevolent.ai/blog/benevolentai/what-if-ai-could-take-your-research-to-the-next-level /

[7] Приложения для обнаружения лекарств для машинного обучения - Pfizer, Roche, GSK и другие: https://www.techemergence.com/machine-learning-drug-discovery-applications-pfizer-roche-gsk/

[8] Искусственный интеллект: изменит ли он способ открытия лекарств ?: https://www.pharmaceutical-journal.com/news-and-analysis/features/artificial-intelligence-will-it-change-the-way -drugs-are-discover / 20204085.article

[9] ИИ-стартап Atomwise привлекает 45 млн долларов на финансирование технологий исследования лекарств: https://www.pharmaceutical-technology.com/news/ai-atomwise-45m-drug-research-technology/

[10] Изображение молекулярной структуры: https://en.wikipedia.org/wiki/Di-tert-butyl_dicarbonate

[11] Репозиционирование наркотиков: https://en.wikipedia.org/wiki/Drug_reposing

[12] IBM и Teva используют A.I. для программы перепрофилирования лекарств: https://www.rdmag.com/article/2016/10/ibm-teva-use-ai-drug-repurposing-program

[13] Как фармацевтические и биотехнологические компании применяют искусственный интеллект в исследованиях и разработках: https://www.biopharmatrend.com/post/34-biopharmas-hunt-for-artificial-intelligence-who-does-what/?lipi= urn: li: page: d_flagship3_feed% 3BhAZ67GlARQyGqnLUgoHuzA

[14] Персонализированная медицина: https://en.wikipedia.org/wiki/Personalized_medicine

[15] Исследование MIT: http://clinicalml.org/research.html

[16] Изображение генетики: https://en.wikipedia.org/wiki/Wikipedia:WikiProject_Genetics#/media/File:Dna-163466_

[17] Клиническое испытание: https://en.wikipedia.org/wiki/Clinical_trial

[18] ПОЗНАКОМЬТЕСЬ С КОМПАНИЕЙ, ПЫТАЮЩЕЙСЯ ДЕМОКРАТИЗИРОВАТЬ КЛИНИЧЕСКИЕ ИССЛЕДОВАНИЯ С ИИ: https://www.wired.com/story/meet-the-company-trying-to-democratize-clinical-trials-with-ai/

[19] Искусственный интеллект и разработка лекарств: https://prescouter.com/2017/05/artificial-intelligence-drug-development/

Аналитик: Пол Фан | Редактор: Майкл Саразен

Подпишитесь здесь, чтобы получать подробные технические новости, обзоры и аналитику!

IJCAI 2018 - Международный конкурс рекламных алгоритмов Alimama

В международном конкурсе рекламных алгоритмов Tianchi от Alibaba Cloud будут разыграны призы на сумму 28 000 долларов! Узнайте больше здесь и начните соревноваться сегодня!