This is the Trace Id: a06b00ff5fbcf9ba041f617f9abcde63
Põhisisu juurde
Valdkond

Kiirem ravimite leiutamine ja väljatöötamine tehisintellekti abil

Lugege tehisintellektilahenduste juurutamise eeliste ja probleemide kohta ravimite väärtusahelas.
Tutvuge bioteaduste lahendustega

Ravimitööstuse tõhususe edendamine ja innovatsioon tehisintellekti abil

Lugege, kuidas tehisintellekt muudab ravimite leiutamist ja väljatöötamist, sealhulgas aitab vähendada ravimite väljatöötamise kulusid ja tuua elupäästvaid ravimeid patsientideni kiiremini.

Põhipunktid

  • Ravimitööstuses on tänu tehisintellektile toimumas märkimisväärsed muutused.
  • Selleks et tervishoiutöötajaid ja patsiente paremini toetada, peavad ravimiettevõtted kiirendama ravimite leiutamise ja väljatöötamise protsesse ning hoidma samal ajal kulusid kontrolli all.
  • Tehisintellekt saab abiks olla ravimite leiutamise protsessi põhietappides, sealhulgas haigusega seotud valkude tuvastamisel ja selle analüüsimisel, millised ühendid nende valkudega kõige tõhusamalt koos toimivad.
  • Lisaks muudab tehisintellekt sujuvamaks ravimi väljatöötamise protsessi, võimaldades analüüsida tohutul hulgal andmeid, teha kindlaks mustreid ja prognoosida tulemusi.
  • Tehisintellekti kasutavad ravimiettevõtted peavad lahendama teatavad küsimused, näiteks kuidas säilitada andmekvaliteeti ja leida töötajaid, kellel on õiged tehnilised ja teadusalased oskused. Lugege, kuidas tehisintellektipõhised agendid kujundavad ümber äritegevust.
  • Ravimitööstuse tulevikku vaadates võib eeldada, et ravimiettevõtted hakkavad tegema üha enam koostööd tehnoloogiaettevõtetega ning et meditsiinitehnoloogiasse ja tehisintellektipõhistesse idufirmadesse investeeritakse aina suuremaid summasid.

Uute ravimite väljatöötamine on üha kulukam

Meetodid, mida tervishoiutöötajad patsientide ravis kasutavad, on kiires muutumises. Meditsiiniliste otsuste tegemisel lähtutakse üha enam isikupärastatud patsienditeabest. Seda nimetatakse täppismeditsiiniks. Ajal, mil teadlased tegelevad keeruliste terviseküsimuste lahendamisega ja ravimitööstus pingutab selle nimel, et vähendada elupäästvate ravimite väljatöötamise aja- ja rahakulu, muutub see lähenemisviis aina tavalisemaks.

Praegu on uue ravimi turuletoomine ravimiettevõtete jaoks äärmiselt pikk ja kulukas protsess. Ettevõtte Taconic Biosciences andmete kohaselt kulub ühe ravimi väljatöötamiseks ligikaudu 2,6 miljardit USA dollarit ja enam kui kümme aastat. Kui ravim on juba välja töötatud, tuleb arvestada sellega, et 88% uutest ravimikandidaatidest ei saa FDA-lt heakskiitu.

Hea uudis on see, et tehisintellektil on erakordne potentsiaal ravimi leiutamise ja väljatöötamise protsessi kiirendada.

Kuidas muudab tehisintellekt ravimite leiutamise sujuvamaks?

Enamiku ravimite puhul on loomisprotsessi esimene samm sellise ühendi sünteesimine, mis suudab end siduda haigusega seostatava sihtmolekuliga (tavaliselt valguga) ja seda moduleerida. Õige ühendi leidmiseks vaatavad teadlased läbi tuhandeid potentsiaalseid võimalusi. Kui sihtmärk on tuvastatud, vaatavad teadlased läbi suuremahulisi sarnaste ühenditega teeke, et leida optimaalne koostoime haiguse valguga.

Selleni jõudmiseks kulub praegu üle kümne aasta ja see läheb maksma sadu miljoneid dollareid. Tehisintellekti- ja masinõppepõhise meditsiinitehnoloogia abil saab aga muuta selle protsessi sujuvamaks, vähendades uute ravimite turuletootmise aja- ja rahakulu. Järgnevalt on esitatud näiteid selle kohta, mida selle tehnoloogiaga teha saab.

Molekuliteekide läbivaatamine

Võimalike molekulide teegid on nii mahukad, et inimteadlastel on peaaegu võimatu ise kogu nende sisu üle vaadata. Tehisintellekti abil saab aga tohututes andmehulkades kiiresti potentsiaalseid sihtühendeid tuvastada. Tänu sellele ei pea teadlased enam sadu tunde laboris veetma.

Ühendi omaduste prognoosimine

Traditsiooniline ravimi leiutamise protsess hõlmab aeganõudvat katse-eksituse meetodi rakendamist. Meditsiinitehnoloogia lahendused koos tehisintellekti ja masinõppega võimaldavad kiirendada potentsiaalsete ühendite omaduste prognoosimise protsessi – tänu sellele tagatakse, et sünteesimiseks valitakse välja vaid soovitud koostisega variandid. Tänu sellele ei pea teadlased töötama ühenditega, mis tõenäoliselt ei ole tõhusad.

Uute ühendite loomine

Kui sõelumine annab väheseid paljulubavaid tulemusi, suudab tehisintellekt ise välja mõelda ideid uuteks ühenditeks, mis vastavad soovitud parameetritele ja on suurema edupotentsiaaliga.

Kuidas toetab tehisintellekt teadlasi?

Teadlased saavad tehisintellektilahendusi kasutada ravimite leiutamise protsessi põhietappide toetamiseks.

Teadlased teevad järgmist:

1. etapp: teevad kindlaks sihtmärgistatava molekuli;
2. etapp: teevad katseid selle kinnitamiseks, et sihtmärk on seotud haiguse progresseerumisega;
3. etapp: teevad kindlaks või loovad ühendi, millel on sihtmärgiga koostoime;
4. etapp: optimeerivad valitud ühendit, et see oleks tõhus ja ohutu.

Tehisintellekti abil saavad nad:

1. etapp: leida rohkem potentsiaalseid sihtmärke;
2. etapp: suurendada katsete õnnestumise määra;
3. etapp: välistada ühendid, millel tõenäoliselt pole koostoimet;
4. etapp: kiirendada protsessi tehisintelligentse analüüsi abil.

Kuidas kasutatakse tehisintellekti kliinilistes uuringutes?

Vastavalt ettevõtte Taconic Biosciences andmetele saavad reguleerivatelt asutustelt heakskiidu vaid 12% ravimikandidaatidest, mis jõuavad kliiniliste uuringute etappi. Ravimite väljatöötamise kõige pikem ja kulukam etapp on kliinilised uuringud, mis hõlmavad mitut inimuuringute faasi, kusjuures igaühes osaleb sadu või tuhandeid inimesi.

Tavapärane randomiseeritud võrdlusuuringuid hõlmav lineaarne protsess on kasutusel olnud juba aastakümneid. See ei ole aga piisavalt paindlik ega kiire, samuti ei taga see analüüsivõimsust, mis on vajalik täppismeditsiini mudeli arenguks. Ettevõtetel on raske leida õigeid osalejaid, rääkimata nende värbamisest, hoidmisest ja tõhusast juhtimisest. Kuna protsess ei ole tõhus, muutub ravimite leiutamine ja väljatöötamine aina kulukamaks, kuid heakskiitmise määr aina madalamaks. Samuti takistab see innovatsiooni.

Ravimiettevõtted saavad ravimi väljatöötamise kliiniliste uuringute etapis kasutada prognoosiva tehisintellekti mudeleid nii kavandamisel kui ka andmeanalüüsiks, et aidata:

  • teha kindlaks sobivad patsiendid, kaevandades avalikult kättesaadavat sisu;
  • hinnata uuringukoha tulemuslikkust reaalajas;
  • automatiseerida andmete jagamist platvormideüleselt;
  • esitada andmeid lõpparuannete jaoks.
Algoritmide ühendamine tõhusa tehnilise taristuga tagab, et kliiniliste andmete pidev voog on puhastatud, koondatud, salvestatud ja tõhusalt hallatud. Tänu sellele mõistavad teadlased paremini ravimi ohutust ja tõhusust, ilma et nad peaksid uuringute tulemusena loodud tohutuid andmehulkasid käsitsi sortima ja analüüsima.

Takistused tehisintellekti kasutuselevõtul ravimitööstuses

Kuigi tehisintellekti kasutatakse ravimite leiutamise ja väljatöötamise protsessides aina laialdasemalt, esineb endiselt teatavaid takistusi kasutuselevõtul. Siin on mõned probleemid, millega ettevõtted sageli silmitsi seisavad.

Andmete kvaliteet

Paljudes valdkondades on probleemiks tihtipeale see, et tehisintellekti ja masinõppe kasulikkust võivad kiiresti vähendada ebakvaliteetsed andmed. Ebakvaliteetsed andmed muudavad meditsiinitehnoloogia ravimiteadlaste jaoks ebausaldusväärseks ning lõppkokkuvõttes ei ole see võrreldes tavapäraste meetoditega enam piisavalt täpne, kasulik ega ajasäästlik.

Kartused

Enamikus valdkondades levib valearusaam, et tehnoloogia vahetab varsti inimtööjõu täielikult välja.  Ravimitööstus pole selles mõttes erand. Kuigi on tõsi, et tehisintellekt suudab analüüsida suuri andmehulkasid kiiremini, ei asenda see kvalifitseeritud teadlasi ja klinitsiste.

Oskuste nappus

Meditsiinitehnoloogia kasutamine ravimite leiutamise protsessis eeldab ülimalt spetsialiseeritud oskusi. Andmete puhtuse ja tehisintellekti tõhususe tagamiseks ei vaja ettevõtted ainuüksi tehniliste teadmistega töötajaid, vaid ka inimesi, kes mõistavad protsessi teaduslikku poolt, näiteks ravimite väljatöötamist, bioloogiat ja keemiat. Tegemist on keerulise ülesandega, mida ettevõtetel on raske täita.

Tehisintellekti tulevik ravimitööstuses

Tehisintellekti abiga saavad teadlased tegeleda rohkem innovatsiooniga, klinitsistid saavad paremini täita täppismeditsiiniga seotud nõudmisi ja ravimiettevõtted saavad elumuutvaid ravimeid kiiremini turule tuua.

Praegused suundumused osutavad sellele, et ravimitööstuses kestab praegune üleminek tehisintellektile veel kaua aega. Näiteks tõuseb iga aastaga ravimi- ja tehnoloogiaettevõtete partnerluste arv, samuti tehakse meditsiinitehnoloogiasse ja tehisintellektipõhistesse idufirmadesse järjest suuremaid investeeringuid.

Lisaks jagavad suured ravimiettevõtted üha rohkem oma andmeid. MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) on konsortsium, mis hõlbustab andmete jagamist kümnete konsortsiumi liikmete vahel. MELLODDY kasutab plokiahelal põhinevat süsteemi, mis võimaldab ettevõtetel jagada ärisaladusega kaitstud andmeid, säilitades andmete konfidentsiaalsuse. Nii saavad teadlased kasutada olemasolevaid andmeid, et alustada ravimi leiutamise protsessi ja lühendada ravimi väljatöötamiseks kuluvat aega.
Ressursid

Tutvuge Microsofti valdkonnalahendustega

Teadus- ja arendustegevuse (R&D) ajakohastamine Microsoft Cloudi platvormil töötavate tehisintellektilahenduste abil võimaldab tuua uusi tooteid turule kiiremini.
Lisateave