Ubrzavanje otkrivanja i razvoja lekova uz pomoć veštačke inteligencije

Saznajte više o prednostima i izazovima primene veštačke inteligencije u celom farmaceutskom lancu vrednosti.

Povećanje farmaceutske efikasnosti i inovacija pomoću veštačke inteligencije

Saznajte kako je veštačka inteligencija spremna da transformiše otkrivanje i razvoj lekova, uključujući smanjenje troškova razvoja lekova i brže pružanje tretmana koji spasavaju život pacijentima.

Glavni zaključci

Farmaceutska industrija prolazi kroz značajnu transformaciju koju je omogućila veštačka inteligencija.
Da bi bolje podržala zdravstvene radnike i njihove pacijente, farmaceutska preduzeća moraju ubrzati procese otkrivanja i razvoja lekova, istovremeno kontrolišući rastuće troškove.
AI može pomoći u ključnim koracima procesa otkrivanja lekova, uključujući identifikaciju proteina bolesti i analizu koja jedinjenja će najefikasnije vršiti interakciju sa proteinima.
Veštačka inteligencija takođe pojednostavljuje proces razvoja lekova analizirajući ogromne količine podataka, identifikujući obrasce i predviđajući ishode.
Farmaceutska preduzeća koja usvoje AI moraju da prevaziđu izazove kao što su održavanje kvaliteta podataka i pronalaženje radnika sa pravom kombinacijom tehničkih i naučnih veština. Saznajte kako AI agenti transformišu poslovne operacije.
Gledajući u budućnost, farmaceutska industrija će videti više partnerstava između farmaceutskih i tehnoloških preduzeća i veća ulaganja u medicinske i veštačke startape.

Rastući troškovi novih lekova

Način na koji zdravstveni radnici leče pacijente brzo se menja. Oni sve više koriste personalizovane informacije o pacijentima kako bi usmeravali medicinske odluke. Ovaj pristup, poznat kao precizna medicina, postaje sve češći jer se istraživači bave složenim zdravstvenim problemima, a farmaceutska preduzeća nastoje da smanje vreme i novac potreban za razvoj lekova koji spasavaju živote.

Trenutno je uvođenje novog leka na tržište izuzetno dugačak i skup proces za farmaceutska preduzeća. Prema nedavnim podacima preduzeća Taconic Biosciences, jedan lek zahteva oko 2,6 milijardi USD i više od 10 godina za razvoj. I kada se razviju, 88% novih kandidata za lekove ne dobije FDA odobrenje.

Dobra vest je da AI ima neverovatan potencijal da ubrza proces otkrivanja i razvoja lekova.

Kako AI pojednostavljuje otkrivanje lekova

Prvi korak u stvaranju većine lekova je sinteza jedinjenja koje može da se veže za ciljni molekul – obično protein – uključen u bolest i da ga moduliše. Da bi pronašli odgovarajuće jedinjenje, istraživači pregledaju hiljade potencijalnih kandidata. Kada se identifikuje cilj, istraživači zatim pregledaju ogromne biblioteke sličnih jedinjenja kako bi pronašli optimalnu interakciju sa proteinom bolesti.

Trenutno je potrebno više od decenije i nekoliko stotina miliona dolara da bi se došlo do ove tačke. Ali medicinska tehnologija koja koristi AI i mašinsko učenje (ML) može da unapredi proces, što skraćuje vreme i smanjuje troškove koji su bili potrebni farmaceutskoj industriji da objavi nove lekove. Na primer, ove tehnologije mogu da:

Detaljno pregledaju biblioteke molekula

Biblioteke koje se pregledaju u potrazi za kandidatima za molekule toliko su velike da je istraživačima gotovo nemoguće da sami pregledaju sve. AI, sa druge strane, može brzo da identifikuje potencijalna ciljna jedinjenja u ogromnim skupovima podataka, što istraživačima štedi stotine sati u laboratoriji.

Predvide svojstva jedinjenja

Tradicionalni proces otkrivanja lekova podrazumeva dugotrajne pokušaje i greške. Rešenja medicinske tehnologije u kombinaciji sa AI i ML mogu da pomognu u ubrzavanju procesa tako što će predvideti svojstva potencijalnih jedinjenja, obezbeđujući da se za sintezu biraju samo oni koji imaju željene karakteristike. Na taj način istraživači neće morati da rade na jedinjenjima koja verovatno neće biti efikasna.

Izmisle nova jedinjenja

Kada pregledanje daje nekoliko potencijalno dobrih rezultata, AI može čak i da razmenjuje ideje za potpuno nova jedinjenja koja se uklapaju u željene parametre i imaju veće šanse za uspeh.

Kako AI pomaže istraživačima

Razmotrite kako istraživači mogu koristiti rešenja veštačke inteligencije za podršku ključnim koracima procesa otkrivanja lekova.

Istraživači sprovode sledeće korake:

1. korak: Odredite molekul koji se može „lekovati“ za ciljanje.
2. korak: Sprovesti eksperimente kako bi se potvrdilo da je cilj uključen u napredovanje bolesti.
3. korak: Identifikujte ili kreirajte složeno rešenje koje vrši interakciju sa ciljem.
4. korak: Optimizujte izabrano jedinjenje radi efikasnosti i bezbednosti.

Uz pomoć veštačke inteligencije, mogu:

1. korak: Pronađite još potencijalnih ciljeva.
2. korak: Povećajte stopu uspešnosti eksperimenta.
3. korak: Isključite jedinjenja koja verovatno neće biti u interakciji.
4. korak: Ubrzajte proces uz inteligentnu analizu.

Kako se AI koristi u kliničkim ispitivanjima

Prema podacima preduzeća Taconic Biosciences, samo 12% kandidata za lekove koji uđu u fazu kliničkog ispitivanja dobijaju odobrenje od strane regulatornih tela. Kao najduža i najskuplja faza procesa pravljenja lekova, klinička ispitivanja uključuju više faza testiranja na ljudima, a svaka faza obuhvata stotine ili hiljade učesnika.

Tradicionalni linearni proces randomizovanih kontrolisanih ispitivanja (RCT) se nije promenio decenijama. Nedostaje mu fleksibilnost, brzina i analitička moć potrebna za uspeh modela precizne medicine. Preduzeća se muče da pronađu odgovarajuće učesnike, da ne pominjemo njihovo efikasno zapošljavanje, zadržavanje i upravljanje njima. Ova neefikasnost procesa u velikoj meri doprinosi rastućim troškovima otkrivanja i razvoja lekova, kao i niskim stopama odobravanja. To takođe ometa inovacije.

Farmaceutska preduzeća mogu da koriste prediktivne AI modele tokom faze kliničkog ispitivanja u razvoju lekova, od dizajna do analize podataka, kako bi pomogla:

Identifikuju odgovarajuće pacijente traženjem javno dostupnog sadržaja.
Procene performanse lokacije za ispitivanje u realnom vremenu.
Automatizuju deljenje podataka na svim platformama.
Obezbede podatke za konačne izveštaje.

Objedinjavanje algoritama sa efikasnom tehnološkom infrastrukturom osigurava da se konstantni tok kliničkih podataka efikasno čisti, agregira, skladišti i da se njime efikasno upravlja. Zbog toga istraživači mogu bolje da razumeju bezbednost i efikasnost leka bez potrebe da ručno upoređuju i analiziraju ogromne skupove podataka koje generišu ispitivanja.

Prepreke za usvajanje veštačke inteligencije u farmaciji

Iako upotreba veštačke inteligencije postaje sve rasprostranjenija u procesima otkrivanja i razvoja lekova, prepreke za usvajanje i dalje postoje. Evo nekih izazova sa kojima se preduzeća često suočavaju:

Kvalitet podataka

Izazov koji se često navodi u mnogim industrijama jeste to što loši podaci mogu brzo da umanje korisnost veštačke inteligencije i mašinskog učenja. Za istraživače lekova, podaci niskog kvaliteta čine medicinsku tehnologiju nepouzdanom i na kraju, ništa preciznijom, korisnijom ili vremenski štedljivijom od tradicionalnih metoda.

Bojazan

U većini industrija postoji pogrešno shvatanje da će tehnologija na kraju u potpunosti zameniti ljudske radnike. Farmaceutska industrija nije izuzetak. I dok je tačno da AI može da analizira velike skupove podataka brže od ljudi, ona nije zamena za vešte istraživače i kliničare.

Nedostatak veština

Primena medicinske tehnologije u procesu otkrivanja lekova zahteva specifični skup veština. Da bi podaci bili čisti, a veštačka inteligencija efikasna, preduzećima su potrebni radnici koji nemaju samo tehničke veštine, već i razumevanje naučne strane procesa, kao što su dizajn leka, biologija i hemija. To je veliki izazov koji preduzeća teško ispunjavaju.

Budućnost veštačke inteligencije u farmaceutskoj industriji

Uz pomoć veštačke inteligencije, istraživači mogu biti inovativniji, kliničari mogu bolje da ispune zahteve precizne medicine, a farmaceutska preduzeća mogu brže plasirati lekove koji menjaju život na tržište.

Trenutni trendovi ukazuju na to da će se transformacija veštačke inteligencije koja se danas dešava u farmaceutskoj industriji nastaviti i u budućnosti. Na primer, svake godine raste broj partnerstava između farmaceutskih i tehnoloških preduzeća, kao i ogromna ulaganja u medicinske i veštačke startape.

Velika farmaceutska preduzeća takođe sve više dele podatke. Machine Learning Ledger Orchestration for Drug Discovery, ili MELLODDY, je konzorcijum koji olakšava deljenje podataka između više desetina članova. MELODDY koristi sistem zasnovan na lancu blokova koji omogućava preduzećima da dele lokalne podatke uz održavanje poverljivosti. Istraživači mogu da iskoriste postojeće podatke da bi započeli proces otkrivanja leka i smanjili broj godina potrebnih za razvoj.

Resursi

Istražite Microsoft industrijska rešenja

Modernizujte svoje istraživanje i razvoj (R&D) i brže isporučite nove proizvode uz rešenja veštačke inteligencije koja rade u Microsoft oblaku.

Saznajte više