Effektivisere legemiddeloppdagelse og -utvikling med KI

Finn ut mer om fordelene og utfordringene ved distribusjon av KI-baserte løsninger i den farmasøytiske verdikjeden.

Øke effektiviteten og innovasjon innen farmasi med KI

Finn ut hvordan KI er i ferd med å transformere legemiddeloppdagelse og -utvikling, inkludert å bidra til å redusere kostnadene ved legemiddelutvikling og få livreddende behandlinger raskere til pasientene.

Viktige punkter

Legemiddelbransjen gjennomgår en betydelig transformasjon, som er muliggjort av KI.
For bedre å støtte helsepersonell og pasientene deres, må legemiddelselskapene effektivisere prosessene for legemiddeloppdagelse og -utvikling, samtidig som de må håndtere økende kostnader.
KI kan bistå i nøkkeltrinnene i prosessen bak legemiddeloppdagelse, inkludert identifisering av sykdomsproteiner og analyser av hvilke forbindelser som mest effektivt vil interagere med disse proteinene.
KI effektiviserer også prosessen for legemiddelutvikling ved å analysere enorme mengder data, identifisere mønstre og forutsi utfall.
Legemiddelselskaper som tar i bruk KI må håndtere utfordringer som å opprettholde datakvalitet og finne arbeidere med den rette kombinasjonen av tekniske og vitenskapelige ferdigheter. Finn ut hvordan KI-agenter transformerer forretningsdrift.
Ser vi mot fremtiden, vil legemiddelindustrien se flere partnerskap mellom legemiddelselskaper og teknologiselskaper, og større investeringer i oppstartsselskaper innen medisinsk teknologi og KI.

De økende kostnadene ved nye legemidler

Måten helsepersonell behandler pasientene på er i rask endring. De bruker i stadig større grad personalisert pasientinformasjon for å veilede medisinske beslutninger. Denne tilnærmingen, kjent som presisjonsmedisin, blir stadig vanligere etter hvert som forskere håndterer komplekse helseproblemer, og legemiddelindustrien etterstreber å redusere tiden og investeringene som kreves for å utvikle livreddende medisiner.

Foreløpig er innføringen av nye legemidler på markedet en ekstremt lang og dyr prosess for legemiddelselskapene. Ifølge nylige data fra Taconic Biosciences, kan utviklingen av en ny medisin kreve omkring USD 2,6 milliarder og mer enn ti års utvikling. Når de først er utviklet mislykkes 88 % av nye legemiddelkandidater i å oppnå FDA-godkjenning.

Den gode nyheten er at KI har et enormt potensiale for å effektivisere prosessen bak legemiddeloppdagelse og -utvikling.

Hvordan KI effektiviserer legemiddeloppdagelse

Det første trinnet for å lage de fleste legemidlene er å syntetisere en forbindelse som kan binde seg til, og modulere, et målmolekyl – som regel et protein – som er involvert i en sykdom. For å finne den rette forbindelsen, går forskere gjennom tusenvis av mulige kandidater. Når et mål er identifisert, sorterer forskerne store biblioteker med lignende forbindelser for å finne det optimale samspillet med sykdommens protein.

For tiden tar det over et tiår og hundrevis av millioner dollar å komme så langt. Medisinsk teknologi som bruker KI og maskinlæring (ML) kan imidlertid effektivisere prosessen, og redusere tiden og pengene som kreves fra legemiddelbransjen for å lansere nye legemidler. Disse teknologiene kan for eksempel:

Finkjemme molekylbiblioteker

Bibliotekene som sorteres for å finne molekylkandidater er så enorme at det nesten er umulig for menneskelige forskere å gjennomgå alt på egen hånd. Kunstig intelligens kan derimot raskt identifisere potensielle målforbindelser i store datasett. Forskerne sparer hundrevis av timer i laboratoriet.

Forutsi egenskaper for forbindelser

Den tradisjonelle prosessen for oppdagelse av legemidler omfatter tidkrevende prøving og feiling. Medtech-løsninger kombinert med kunstig intelligens og maskinlæring kan bidra til å fremskynde prosessen. De kan nemlig forutsi egenskapene til potensielle forbindelser og sikre at bare de som har ønsket sammensetning, velges for syntese. Slik slipper forskerne å jobbe med forbindelser som sannsynligvis ikke vil fungere.

Finne opp nye forbindelser

Mens sortering fører til få lovende resultater, kan kunstig intelligens til og med kjøre idédugnader for helt nye forbindelser som passer til de ønskede parametrene, og som har større sjanse for å lykkes.

Slik bistår KI forskerne

Se for deg hvordan forskere kan bruke KI-baserte løsninger for å støtte viktige trinn i prosessen bak legemiddeloppdagelse.

Forskere gjennomfører følgende trinn:

Trinn 1: Finne et molekyl som kan «medisineres» og målrettes mot.
Trinn 2: Gjennomføre eksperimenter for å bekrefte at målet er involvert i sykdomsprogresjon.
Trinn 3: Identifisere eller utvikle et stoff som interagerer med målet.
Trinn 4: Optimalisere det valgte stoffet for effektivitet og sikkerhet.

Med hjelp av KI kan de:

Trinn 1: Finne flere potensielle mål.
Trinn 2: Heve suksessraten for eksperimenter.
Trinn 3: Utelukke stoffer som sannsynligvis ikke vil interagere.
Trinn 4: Effektivisere prosessen med intelligent analyse.

Hvordan KI brukes i kliniske utprøvinger

Ifølge Taconic Biosciences blir bare 12 % av legemiddelkandidatene som går til kliniske utprøvinger godkjent av regulatoriske myndigheter. Det lengste og dyreste stadiet under prosessen med å lage nye legemidler er kliniske utprøvinger. Dette innebærer flere faser med menneskelig testing, og hver fase har hundrevis eller tusenvis av deltakere.

Den tradisjonelle lineære prosessen med randomiserte kontrollerte studier (RCT) har ikke endret seg på flere tiår. Den mangler fleksibiliteten, hastigheten og de analytiske kreftene som er nødvendig for at den presisjonsmedisinske modellen skal fungere. Virksomheter sliter med å finne de riktige deltakerne, og ikke minst rekruttere, beholde og håndtere dem på en effektiv måte. Ineffektiviteten i denne prosessen bidrar sterkt til økte kostnader for oppdagelse og utvikling av legemidler, samt til lave godkjenningsrater. Det hindrer også innovasjon.

Legemiddelselskaper kan bruke modeller basert på prediktiv kunstig intelligens gjennom hele den kliniske utprøvingsfasen i legemiddelutviklingen, fra utforming til dataanalyse, for å bidra til å:

Identifisere egnede pasienter ved utvinning av innhold som er offentlig tilgjengelig.
Vurdere prestasjonene til utprøvingsområdet i sanntid.
Automatisere datadeling på tvers av plattformer.
Fremskaffe data til sluttrapporter.

Kobling mellom algoritmer og effektiv teknisk infrastruktur sikrer at den konstante strømmen av kliniske data renses, aggregeres, lagres og administreres effektivt. Dermed kan forskere bedre forstå legemidlenes sikkerhet og effekt uten å måtte samle inn og analysere manuelt de enorme datasettene som genereres under utprøvinger.

Barrierer for KI-adopsjon innen legemiddelbransjen

Selv om bruken av KI blir mer utbredt i prosessene bak oppdagelse og utvikling av legemidler, finnes det fortsatt barrierer for adopsjon. Her er noen av utfordringene virksomhetene ofte møter:

Datakvalitet

En ofte nevnt utfordring i mange bransjer er at dårlige data ofte reduserer effekten av KI og ML. For legemiddelforskere gjør data av dårlig kvalitet medtech upålitelig og, til syvende og sist, ikke mer nøyaktig, nyttig eller tidsbesparende enn tradisjonelle metoder.

Frykt

I de fleste bransjer er der en misoppfatning om at teknologien etter hvert helt vil erstatte menneskelig innsats. Legemiddelbransjen er ikke noe unntak. Selv om det stemmer at KI kan analysere store datasett raskere enn mennesker, er det ingen erstatning for dyktige forskere og klinikere.

Mangel på kvalifikasjoner

Implementering av medtech under oppdagelsesprosessen av legemidler krever en rekke spesifikke kvalifikasjoner. For å sikre at dataene er rene og KI kan jobbe effektivt, må virksomhetene ha arbeidere som ikke bare har tekniske ferdigheter, men også en forståelse av den vitenskapelige delen av prosessen, som for eksempel utforming av legemidler, biologi og kjemi. Dette er høye krav som selskapene har vanskelig for å leve opp til.

Fremtidens kunstige intelligens i legemiddelindustrien

Med hjelp av KI kan forskere være mer innovative, klinikere kan bedre møte kravene til presisjonsmedisin, og legemiddelselskapene kan få livsforandrende legemidler raskere ut på markedet.

Gjeldende trender indikerer at KI-transformasjonen som skjer i legemiddelbransjen i dag vil fortsette langt inn i fremtiden. Hvert år inngås det for eksempel stadig flere partnerskap mellom legemiddelselskaper og teknologiselskaper, og investeringene i oppstartsbedrifter innen medisinsk teknologi og KI øker.

Store legemiddelselskaper deler også i økende grad data. MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) er en forening som forenkler deling av data mellom dusinvis av medlemmer. MELLODDY bruker et blokkjedebasert system som lar selskaper dele rettighetsbeskyttede data samtidig som de opprettholder konfidensialiteten. Forskere kan bruke eksisterende data for å komme raskere i gang med prosessen for legemiddeloppdagelse, og kutte flere år av utviklingen.

Ressurser

Utforsk Microsofts bransjeløsninger

Moderniser forskning og utvikling (R&D) og lever nye produkter raskere med KI-løsninger som kjører i Microsoft Cloud.

Mer informasjon