Galimybė panaudoti dirbtinį intelektą vaistų atradimui ir plėtrai sukėlė mokslininkų, investuotojų ir plačiosios visuomenės jaudulį ir skepticizmą.
„Dirbtinis intelektas perima vaistų kūrimą“, – tvirtina kai kurios bendrovės ir mokslininkai. Per pastaruosius kelerius metus susidomėjimas dirbtinio intelekto naudojimu kuriant vaistus ir optimizuojant klinikinius tyrimus paskatino mokslinių tyrimų ir investicijų augimą. Dirbtinio intelekto valdomos platformos, tokios kaip AlphaFold, kuri 2024 m. laimėjo Nobelio premiją už gebėjimą numatyti baltymų struktūrą ir kurti naujus, demonstruoja AI potencialą paspartinti vaistų kūrimą.
Kai kurie pramonės veteranai įspėja, kad dirbtinis intelektas narkotikų atradimo srityje yra „nesąmonė“. Jie primygtinai reikalauja, kad „AI potencialas paspartinti vaistų atradimą turi būti patikrintas“, nes dirbtinio intelekto sukurti vaistai dar turi įrodyti, kad jie gali įveikti 90 % naujų vaistų nesėkmės procento klinikinių tyrimų metu. Skirtingai nuo AI sėkmės vaizdų analizėje, jos poveikis vaistų kūrimui lieka neaiškus.
Dirbdami kaip farmacijos mokslininkai tiek akademinėje, tiek farmacijos pramonėje ir buvę Gynybos pažangių tyrimų projektų agentūros (DARPA) programų vadovai, stebėjome AI naudojimą kuriant vaistus. Mes teigiame, kad AI kuriant vaistus dar nekeičia žaidimo ir nėra visiška nesąmonė. AI nėra juoda dėžė, kuri bet kurią idėją gali paversti auksu. Atvirkščiai, mes tai laikome priemone, kurią naudojant išmintingai ir kompetentingai, galima išspręsti pagrindines vaistų nesėkmės priežastis ir supaprastinti procesą.
Dauguma darbų naudojant dirbtinį intelektą kuriant vaistus ketina sutrumpinti laiką ir pinigus, kurių reikia vienam vaistui pateikti į rinką – šiuo metu 10–15 metų ir 1–2 mlrd. Bet ar AI iš tikrųjų gali pakeisti vaistų kūrimą ir pagerinti sėkmės rodiklius?
AI kuriant vaistus
Tyrėjai pritaikė dirbtinį intelektą ir mašininį mokymąsi kiekviename vaistų kūrimo proceso etape. Tai apima taikinių nustatymą organizme, galimų kandidatų atranką, vaistų molekulių kūrimą, toksiškumo prognozavimą ir pacientų, kurie galėtų geriausiai reaguoti į vaistus klinikinių tyrimų metu, atranką.
2010–2022 m. 20 į dirbtinį intelektą orientuotų startuolių atrado 158 kandidatus į vaistus, iš kurių 15 buvo atlikti klinikiniuose tyrimuose. Kai kurie iš šių vaistų kandidatų sugebėjo atlikti ikiklinikinius tyrimus laboratorijoje ir pradėti bandymus su žmonėmis vos per 30 mėnesių, palyginti su įprastais 3–6 metais. Šis pasiekimas parodo AI potencialą paspartinti vaistų kūrimą.
Kita vertus, nors dirbtinio intelekto platformos gali greitai nustatyti junginius, kurie veikia ląsteles Petri lėkštelėje arba gyvūnų modeliuose, šių kandidatų sėkmė klinikiniuose tyrimuose, kur dažniausiai pasitaiko vaistų gedimų, išlieka labai neaiški.
Skirtingai nuo kitų sričių, kuriose yra didelių, aukštos kokybės duomenų rinkinių, skirtų dirbtinio intelekto modeliams, pvz., vaizdų analizei ir kalbos apdorojimui, lavinti, AI kuriant vaistus riboja maži, žemos kokybės duomenų rinkiniai. Sunku sukurti su narkotikais susijusius duomenų rinkinius apie ląsteles, gyvūnus ar žmones nuo milijonų iki milijardų junginių. Nors AlphaFold yra proveržis numatant baltymų struktūras, kiek tiksliai jis gali būti skirtas vaistų kūrimui, lieka neaišku. Nedideli vaisto struktūros pokyčiai gali labai paveikti jo aktyvumą organizme, taigi ir jo veiksmingumą gydant ligas.
Išgyvenimo šališkumas
Kaip ir dirbtinis intelektas, ankstesnės vaistų kūrimo naujovės, pvz., kompiuterinis vaistų projektavimas, žmogaus genomo projektas ir didelio našumo patikra, per pastaruosius 40 metų pagerino atskirus proceso etapus, tačiau vaistų gedimo rodikliai nepagerėjo.
Daugelis dirbtinio intelekto tyrėjų gali atlikti konkrečias užduotis vaistų kūrimo procese, kai pateikia aukštos kokybės duomenis ir konkrečius klausimus, į kuriuos reikia atsakyti. Tačiau jie dažnai nėra susipažinę su visa vaistų kūrimo apimtimi, sumažina iššūkius iki modelio atpažinimo problemų ir atskirų proceso etapų tobulinimo. Tuo tarpu daugelis mokslininkų, turinčių patirties vaistų kūrimo srityje, neturi AI ir mašininio mokymosi mokymo. Šios komunikacijos kliūtys gali trukdyti mokslininkams peržengti dabartinių plėtros procesų mechaniką ir nustatyti pagrindines vaistų gedimų priežastis.
Dabartiniai vaistų kūrimo metodai, įskaitant tuos, kuriuose naudojamas dirbtinis intelektas, galėjo pakliūti į išgyvenimo šališkumo spąstus, perdėtai sutelkiant dėmesį į mažiau svarbius proceso aspektus ir nepaisant didelių problemų, kurios labiausiai prisideda prie nesėkmės. Tai panašu į tai, kaip taisyti žalą, padarytą iš mūšio laukų Antrojo pasaulinio karo metu grįžtančių orlaivių sparnams, neatsižvelgiant į lemtingus lėktuvų, kurie niekada negrįžo, variklių ar kabinų pažeidžiamumą. Tyrėjai dažnai pernelyg daug dėmesio skiria tam, kaip pagerinti individualias vaisto savybes, o ne pagrindines nesėkmės priežastis.
Dabartinis vaistų kūrimo procesas veikia kaip surinkimo linija, pagrįsta žymės langelio metodu ir išsamiais bandymais kiekviename proceso etape. Nors dirbtinis intelektas gali sutrumpinti laboratorijoje atliekamų ikiklinikinių šios surinkimo linijos etapų laiką ir išlaidas, mažai tikėtina, kad tai padidins sėkmės rodiklius brangesniuose klinikiniuose etapuose, kuriuose atliekami bandymai su žmonėmis. Nuolatinis 90% vaistų nesėkmės procentas klinikinių tyrimų metu, nepaisant 40 metų proceso tobulinimo, pabrėžia šį apribojimą.
Spręsti pagrindines priežastis
Vaistų nesėkmės klinikiniuose tyrimuose atsiranda ne tik dėl to, kaip šie tyrimai suplanuoti; Netinkamų vaistų kandidatų parinkimas klinikiniams tyrimams taip pat yra pagrindinis veiksnys. Naujos AI valdomos strategijos galėtų padėti išspręsti abu šiuos iššūkius.
Šiuo metu daugumą vaistų nesėkmių lemia trys tarpusavyje susiję veiksniai: dozavimas, saugumas ir veiksmingumas. Kai kurie vaistai neveikia, nes yra per toksiški arba nesaugūs. Kiti vaistai neveiksmingi, nes laikomi neveiksmingais, dažnai todėl, kad dozės negalima toliau didinti nesukeliant žalos.
Mes ir mūsų kolegos siūlome mašininio mokymosi sistemą, kuri padėtų atrinkti vaistų kandidatus, numatant dozę, saugumą ir veiksmingumą pagal penkias anksčiau nepastebėtas vaistų savybes. Tiksliau, mokslininkai galėtų naudoti AI modelius, kad nustatytų, kaip konkrečiai ir stipriai vaistas jungiasi prie žinomų ir nežinomų taikinių, šių taikinių lygį organizme, kiek koncentruojasi vaistas sveikuose ir ligotuose audiniuose bei vaisto struktūrines savybes.
Šios AI sukurtų vaistų savybės galėtų būti išbandytos atliekant 0+ fazės tyrimus, naudojant itin mažas dozes pacientams, sergantiems sunkia ir lengva liga. Tai galėtų padėti tyrėjams nustatyti optimalius vaistus, tuo pačiu sumažinant dabartinio klinikinių tyrimų metodo „bandyk ir pamatyk“ sąnaudas.
Nors vien dirbtinis intelektas gali nedaryti revoliucijos vaistų kūrimo srityje, jis gali padėti pašalinti pagrindines vaistų nesėkmės priežastis ir supaprastinti ilgą patvirtinimo procesą.