Versnellen van medicijnontdekking en -ontwikkeling met AI

Leer over de voordelen en uitdagingen van het implementeren van AI-oplossingen in de farmaceutische waardeketen.

Verken oplossingen voor de levenswetenschappen

De efficiëntie en innovatie in de farmaceutische sector verbeteren met AI

Leer hoe AI de medicijnontdekking en -ontwikkeling kan transformeren, inclusief het helpen verlagen van de kosten van medicijnontwikkeling en het sneller beschikbaar maken van levensreddende behandelingen voor patiënten.

Belangrijke punten

De farmaceutische industrie ondergaat een significante transformatie mogelijk gemaakt door AI.
Om zorgprofessionals en hun patiënten beter te ondersteunen, moeten farmaceutische bedrijven de processen voor medicijnontdekking en -ontwikkeling versnellen terwijl ze de stijgende kosten beheersen.
AI kan helpen bij belangrijke stappen in het medicijnontdekkingsproces, waaronder het identificeren van ziekte-eiwitten en het analyseren van welke verbindingen het meest effectief met de eiwitten zullen interageren.
AI stroomlijnt ook het medicijnontwikkelingsproces door enorme hoeveelheden gegevens te analyseren, patronen te identificeren en uitkomsten te voorspellen.
Farmaceutische bedrijven die AI adopteren, moeten uitdagingen overwinnen zoals het handhaven van datakwaliteit en het vinden van werknemers met de juiste combinatie van technische en wetenschappelijke vaardigheden. Leer hoe AI-agenten bedrijfsoperaties transformeren.
Als we naar de toekomst kijken, zullen de farmaceutische industrie meer partnerschappen zien tussen farmaceutische en technologiebedrijven en grotere investeringen in medtech en AI-startups.

De stijgende kosten van nieuwe geneesmiddelen

De manier waarop Gezondheidszorgprofessionals patiënten behandelen is snel aan het veranderen. Ze gebruiken steeds vaker gepersonaliseerde patiëntinformatie om medische beslissingen te begeleiden. Deze benadering, bekend als precisiegeneeskunde, wordt steeds gebruikelijker naarmate onderzoekers complexe gezondheidsproblemen aanpakken en de farmaceutische sector streeft naar het verkorten van de tijd en kosten voor het ontwikkelen van levensreddende medicijnen.

Een nieuw medicijn op de markt brengen is momenteel een extreem lang en duur proces voor farmaceutische bedrijven. Volgens recente gegevens van Taconic Biosciences, kost het ontwikkelen van een enkel medicijn ongeveer USD $ 2,6 miljard en duurt het meer dan 10 jaar. En eenmaal ontwikkeld, faalt 88% van de nieuwe medicijnkandidaten om goedkeuring van de FDA te krijgen.

Het goede nieuws is dat AI een ongelooflijk potentieel heeft om het proces van medicijnontdekking en -ontwikkeling te versnellen.

Hoe AI de geneesmiddelenontdekking stroomlijnt

De eerste stap in het ontwikkelen van de meeste medicijnen is het samenstellen van een verbinding die zich kan binden aan een doelmolecule (meestal een eiwit) die bij een ziekte is betrokken, en deze kan reguleren. Om de juiste verbinding te vinden, bekijken onderzoekers duizenden potentiële kandidaten. Zodra er een doel is geïdentificeerd, screenen onderzoekers enorme bibliotheken van vergelijkbare verbindingen om de optimale interactie met het eiwit van de ziekte te vinden.

Momenteel duurt het meer dan tien jaar en kost het honderden miljoenen euro's om op dit punt terecht te komen. Maar medtech die AI en machine learning (ML) gebruikt, kan het proces stroomlijnen, waardoor de tijd en kosten voor farmaceutische bedrijven om nieuwe medicijnen uit te brengen, worden verkort. Deze technologieën kunnen bijvoorbeeld:

Moleculebibliotheken uitkammen

De bibliotheken die worden gescreend op moleculekandidaten zijn zo enorm dat het voor menselijke onderzoekers vrijwel onmogelijk is om alles zelf te bekijken. AI kan echter snel potentiële doelverbindingen identificeren in enorme gegevensverzamelingen, waardoor onderzoekers honderden uren in het lab besparen.

Verbindingseigenschappen voorspellen

Het traditionele proces van medicijnontdekking is een tijdrovende proefondervindelijke methode. MedTech-oplossingen gecombineerd met AI en ML kunnen helpen het proces te versnellen door de eigenschappen van potentiële verbindingen te voorspellen, zodat wordt verzekerd dat alleen die met de gewenste opbouw worden gekozen voor de samenstelling. Zo hoeven onderzoekers niet te werken aan verbindingen die waarschijnlijk ineffectief zijn.

Nieuwe verbindingen uitvinden

Wanneer screenen weinig veelbelovende resultaten oplevert, kan AI zelfs brainstormen over ideeën voor gloednieuwe verbindingen die bij de gewenste parameters passen en een grotere kans op succes hebben.

Hoe AI onderzoekers ondersteunt

Overweeg hoe onderzoekers AI-oplossingen kunnen gebruiken om belangrijke stappen in het medicijnontdekkingsproces te ondersteunen.

Onderzoekers voeren de volgende stappen uit:

Stap 1: Wijs een molecuul aan dat 'geneesbaar' is.
Stap 2: voer experimenten uit om te bevestigen dat het doelwit betrokken is bij de ziekteprogressie.
Stap 3: Identificeer of maak een samengestelde verbinding die met het doelwit communiceert.
Stap 4: Optimaliseer de gekozen samenstelling voor effectiviteit en veiligheid.

Met de hulp van AI kunnen ze:

Stap 1: zoek meer potentiële doelwitten.
Stap 2: verhoog het slagingspercentage van experimenten.
Stap 3: sluit verbindingen uit waarvan interactie onwaarschijnlijk is.
Stap 4: versnel het proces met intelligente analyse.

Hoe AI wordt gebruikt in klinische proeven

Volgens Taconic Biosciences, wordt slechts 12% van de medicijnkandidaten die de klinische proeffase ingaan goedgekeurd door regelgevende instanties. Klinische studies zijn de langste en duurste fase van medicijnontwikkeling en omvatten meerdere fasen van menselijke tests, waarbij elke fase uit honderdduizenden deelnemers bestaat.

Het traditionele lineaire proces van gerandomiseerde gecontroleerde proeven (RCT's) is al tientallen jaren niet veranderd. Het mist de flexibiliteit, snelheid en analytische kracht die nodig zijn voor het precisiegeneeskundemodel om te gedijen. Bedrijven vinden het moeilijk de juiste deelnemers te vinden, laat staan ze effectief te werven, behouden en beheren. Deze procesinefficiëntie draagt in grote mate bij aan de stijgende kosten van medicijnontdekking en -ontwikkeling, evenals aan lage goedkeuringspercentages. Het belemmert ook innovatie.

Farmaceutische bedrijven kunnen voorspellende AI-modellen gebruiken in de gehele klinische-studiefase van medicijnontwikkeling, van ontwerp helemaal tot aan gegevensanalyse, om te helpen:

Geschikte patiënten te identificeren door openbaar beschikbare inhoud te mijnen.
De prestaties van de studiesite in realtime te evalueren.
Het delen van gegevens op verschillende platforms te automatiseren.
Gegevens te leveren voor definitieve rapporten.

Door algoritmen te koppelen aan effectieve technische infrastructuur, wordt verzekerd dat de voortdurende stroom van klinische gegevens effectief wordt opgeschoond, samengevoegd, opgeslagen en beheerd. Onderzoekers kunnen daardoor de veiligheid en doeltreffendheid van het medicijn beter begrijpen zonder de enorme gegevensverzamelingen handmatig te hoeven ordenen en analyseren die worden gegenereerd door studies.

Belemmeringen voor de adoptie van AI in de farmaceutische sector

Hoewel het gebruik van AI steeds gebruikelijker wordt in de processen van medicijnontdekking en -ontwikkeling, bestaan er nog steeds barrières voor adoptie. Hier zijn enkele uitdagingen waarmee bedrijven vaak te maken hebben:

Gegevenskwaliteit

Een vaak genoemde uitdaging in veel sectoren is dat slechte data snel de nuttigheid van AI en ML kan verminderen. Voor medicijnonderzoekers maken gegevens van lage kwaliteit MedTech onbetrouwbaar en uiteindelijk niet meer nauwkeurig, nuttig of tijdbesparend dan traditionele methoden.

Bezorgdheid

Er is in de meeste sectoren een verkeerde opvatting dat technologie menselijke werknemers uiteindelijk helemaal zal vervangen. De farmaceutische industrie is geen uitzondering. En hoewel het waar is dat AI grote datasets sneller kan analyseren dan mensen, is het geen vervanging voor bekwame onderzoekers en clinici.

Tekort aan vaardigheden

Het implementeren van MedTech in het proces van medicijnontdekking vereist een nicheverzameling vaardigheden. Om de data schoon te houden en de AI effectief te laten zijn, hebben bedrijven werknemers nodig met niet alleen technische vaardigheden, maar ook een begrip van de wetenschappelijke kant van het proces, zoals medicijndesign, biologie en chemie. Het is moeilijk voor bedrijven om dat soort werknemers te vinden.

De toekomst van AI in farmaceutica

Met de hulp van AI kunnen onderzoekers innovatiever zijn, kunnen clinici beter voldoen aan de eisen van precisiegeneeskunde, en kunnen farmaceutische bedrijven revolutionaire medicijnen sneller op de markt brengen.

Huidige trends geven aan dat de AI-transformatie die vandaag in de farmaceutische industrie plaatsvindt, zich nog lang in de toekomst zal voortzetten. Bijvoorbeeld, elk jaar neemt het aantal partnerschappen tussen farmaceutische en technologiebedrijven toe, net als de enorme investeringen in medtech en AI-startups.

Grote farmaceutische bedrijven delen ook steeds vaker data. De Machine Learning Ledger Orchestration for Drug Discovery, oftewel MELLODDY, is een consortium dat het delen van gegevens tussen zijn tientallen leden vereenvoudigt. MELLODDY gebruikt een blockchain-gebaseerd systeem waarmee bedrijven bedrijfseigen gegevens kunnen delen terwijl de vertrouwelijkheid wordt gehandhaafd. Onderzoekers kunnen bestaande gegevens benutten om hun proces van medicijnontdekking snel te starten en jaren aan ontwikkeling te besparen.

Resources

Verken Microsoft-brancheoplossingen

Moderniseer je onderzoek en ontwikkeling (R&D) en lever nieuwe producten sneller met AI-oplossingen die draaien op de Microsoft Cloud.

Meer informatie