Accelerere lægemiddelopdagelse og -udvikling med kunstig intelligens

Få indsigt i fordelene og udfordringerne ved at implementere løsninger drevet af kunstig intelligens i medicinalværdikæden.

Udforsk biovidenskabsløsninger

Øge medicinaleffektivitet og innovation med kunstig intelligens

Få at vide hvordan kunstig intelligens er klar til at transformere lægemiddelopdagelse og -udvikling, herunder at hjælpe med at reducere omkostningerne ved lægemiddeludvikling og få livreddende behandlinger til patienter hurtigere.

Vigtige budskaber

Medicinalbranchen gennemgår en betydelig transformation muliggjort af kunstig intelligens.
For bedre at støtte sundhedspersonale og deres patienter, skal medicinalvirksomheder accelerere lægemiddelopdagelse og -udvikling, samtidig med at de kontrollerer stigende omkostninger.
Kunstig intelligens kan hjælpe i nøgletrin af lægemiddelopdagelsesprocessen, herunder at identificere sygdomsproteiner og analysere hvilke forbindelser der mest effektivt vil interagere med proteinerne.
Kunstig intelligens strømliner også lægemiddeludviklingsprocessen ved at analysere store mængder data, identificere mønstre og forudsige resultater.
Medicinalvirksomheder, der implementerer kunstig intelligens, skal overvinde udfordringer som at opretholde datakvalitet og finde medarbejdere med den rette kombination af tekniske og videnskabelige færdigheder. Få at vide hvordan AI-agenter transformer forretningsdrift.
Ser vi fremad, vil den medicinalbranchen se flere partnerskaber mellem medicinal- og teknologiske virksomheder samt større investeringer i medtech og nystartede virksomheder inden for kunstig intelligens.

De stigende omkostninger ved nye lægemidler

Den måde, som sundhedspersonale behandler patienter, er i hastig forandring. De bruger i stigende grad personlig patientoplysninger til at guide medicinske beslutninger. Denne tilgang kendt som præcisionsmedicin bliver mere almindeligt, i takt med at forskere tackler komplekse sundhedsudfordringer, og medicinudviklere forsøger at reducere den tid, det tager at udvikle livreddende medicin.

I øjeblikket er det en ekstremt lang og dyr proces at lancere ny medicin på markedet for medicinudviklere. Ifølge de seneste data fra Taconic Biocars tager et enkelt stof omkring 2,6 milliarder USD og mere end 10 år at udvikle. Og når de først er udviklet, får 88 % af nye lægemiddelkandidater ikke FDA-godkendelse.

Den gode nyhed er, at kunstig intelligens har et utroligt potentiale til at accelerere lægemiddelopdagelses- og udviklingsprocessen.

Hvordan kunstig intelligens strømliner lægemiddelopdagelse

Det første skridt i at udvikle medicin er at skabe en kemisk forbindelse, der kan binde sig til og ændre et givent molekyle – typisk et protein – som er med til at skabe en sygdom. For at finde den rigtige kemiske forbindelse skal forskere gennemse tusindvis af forskellige molekyler. Når man så har fundet det rette molekyle, gennemgår forskerne kæmpe samlinger af lignende kemiske forbindelser for at finde den optimale interaktion med sygdommens protein.

Nu tager det over et årti og flere hundrede millioner dollars at nå til dette stadie. Men medtech, der bruger kunstig intelligens og maskinlæring (ML), kan strømlige processen og reducere den tid og de penge, det tager for medicinalbranchen at frigive nye lægemidler. Disse teknologier kan f.eks.:

Finkæmme molekylesamlinger

De samlinger, man gennemser for de rette molekyler, er så store, at det næsten er umuligt for menneskelige forskere at gennemgå det hele selv. Omvendt kan kunstig intelligens hurtigt identificere potentielle kandidater i de enorme datasæt, hvilket sparer forskerne hundredvis af timer i laboratoriet.

Forudsig egenskaber ved den kemiske forbindelse

Den traditionelle metode, man bruger til opdagelse af ny medicin, består af tidskrævende trial and error. Løsninger fra firmaerne bag medicinudvikling kan i kombination med kunstig intelligens og maskinel indlæring hjælpe med at få processen til at gå hurtigere ved at forudsige de egenskaber, som den potentielle kemiske forbindelse skal have. Det betyder, at det kun er de kemiske forbindelser, der har de ønskede egenskaber, man går videre med og forsøger sig på. Derved undgår forskerne at bruge tid på at arbejde med kemiske forbindelser, der sandsynligvis ikke har de ønskede effekter.

Udvikling af nye kemiske forbindelser

Når en screening ikke giver mange lovende resultater, kan kunstig intelligens endda foreslå idéer til helt nye kemiske forbindelser, der passer til de ønskede parametre og har en højere chance for succes.

Hvordan kunstig intelligens hjælper forskere

Overvej hvordan forskere kan bruge løsninger drevet af kunstig intelligens til at støtte nøgletrin i lægemiddelopdagelsesprocessen.

Forskere udfører følgende trin:

Trin 1: Find en molekyle, der er "lægemiddelvenlig" for målet.
Trin 2: Udfør eksperimenter for at bekræfte, at målet er involveret i sygdomsfremgang.
Trin 3: Identificer eller opret en sammensætning, der interagerer med destinationen.
Trin 4: Optimer den valgte sammensætning for effektivitet og sikkerhed.

Med hjælp fra kunstig intelligens kan de:

Trin 1: Find flere potentielle mål.
Trin 2: Øg succesfrekvensen for eksperimenter.
Trin 3: Afvis forbindelser, der ikke kan interagere.
Trin 4: Sæt skub i processen med intelligent analyse.

Hvordan kunstig intelligens bruges i kliniske forsøg

Ifølge Taconic Biosciences er det kun 12 % af de medicinkandidater, der går ind i fasen med kliniske forsøg, der godkendes af lovgivningsmæssige instanser. Kliniske forsøg, der er den længste og dyreste fase i udviklingen af ny medicin, omfatter flere faser med mennesketests, og hver fase omfatter flere hundrede eller tusinde deltagere.

Den traditionelle lineære proces med randomiserede kontrollerede forsøg (RCT'er) har ikke ændret sig i årtier. Den mangler den fleksibilitet, hastighed og analytiske kraft, der er nødvendig for, at præcisionsmedicinmodellen kan trives. Virksomheder kæmper med at finde de rette deltagere for slet ikke at tale om rekruttering, fastholdelse og administration af dem. Denne procesineffektivitet bidrager i høj grad til de stigende omkostninger ved lægemiddelopdagelse og -udvikling samt lave godkendelsesrater. Det hindrer også innovation.

Medicinalvirksomheder kan bruge prædiktive modeller drevet af kunstig intelligens gennem hele den kliniske forsøgsfase af lægemiddeludviklingen, fra design til dataanalyse, for at hjælpe:

Identificere passende patienter ved at gennemtrawle offentligt tilgængeligt indhold.
Vurdere forsøgsstedets performance i realtid.
Automatisere datadeling på tværs af platforme.
Tilvejebringe data til endelige rapporter.

Ved at kombinere algoritmer med effektiv teknologisk infrastruktur sikrer man, at den konstante strøm af kliniske data bliver renset, samlet, gemt og administreret effektivt. Derfor kan forskere bedre forstå sikkerheden ved og effektiviteten af medikamentet uden at skulle lave manuelle korrelationer og analysere de enorme datasæt fra forsøgene.

Barrierer for implementering af kunstig intelligens inden for medicinalbranchen

Selvom brugen af kunstig intelligens bliver mere udbredt i lægemiddelopdagelse og udviklingsprocesser, eksisterer der stadig barrierer for adoption. Her er nogle udfordringer, som virksomheder ofte står overfor:

Datakvalitet

En ofte nævnt udfordring i mange industrier er, at dårlige data hurtigt kan mindske nyttigheden af kunstig intelligens og ML. For medicinforskere gør data af lav kvalitet sundhedsteknologi upålideligt og i sidste ende ikke mere nøjagtigt, nyttigt eller tidsbesparende end traditionelle metoder.

Fagre nye verden

Det er en misforståelse, at teknologi i de fleste brancher vil overtage arbejdsmarkedet. Medicinbranchen er ingen undtagelse. Og selvom det er sandt, at kunstig intelligens kan analysere store datasæt hurtigere end mennesker, er det ikke en erstatning for dygtige forskere og klinikere.

Mangel på færdigheder

Det kræver nogle helt særlige færdigheder at implementere sundhedsteknologi i processen til opdagelse af ny medicin. For at holde dataene rene og kunstig intelligens effektiv, har virksomheder brug for medarbejdere med ikke kun tekniske færdigheder, men også en forståelse for den videnskabelige side af processen, såsom lægemiddeldesign, biologi og kemi. Virksomhederne har svært ved at finde nok kandidater med en sådan profil.

Fremtiden for kunstig intelligens i medicinudvikling

Med hjælp fra kunstig intelligens kan forskere være mere innovative, klinikere bedre imødekomme kravene fra præcisionsmedicin, og medicinalfirmaer kan få livsændrende lægemidler hurtigere på markedet.

Nuværende tendenser indikerer, at den transformation drevet af kunstig intelligens, der finder sted i medicinalbranchen i dag, vil fortsætte langt ind i fremtiden. For eksempel stiger antallet af partnerskaber mellem medicinal- og tech-virksomheder hvert år, ligesom store investeringer i medtech og nystartede virksomheder inden for kunstig intelligens.

Store medicinalfirmaer deler også i stigende grad data. The Machine Learning Ledger Orchestration for Drug Discovery, forkortet MELLODDY, er et konsortium, der faciliterer datadeling mellem dets mange medlemmer. MELLODDY bruger et blokkædebaseret system, der gør det muligt for virksomheder at dele data, de ejer, og samtidig holde dem fortrolige. Forskere kan bruge eksisterende data til at komme hurtigt fra start i deres forsøg på at finde ny medicin og reducere processen med flere år.

Ressourcer

Udforsk Microsofts brancherelaterede løsninger

Moderniser din forskning og udvikling (R&D) og lever nye produkter hurtigere med løsninger drevet af kunstig intelligens, der kører på Microsoft Cloud.

Få mere at vide