В поисках новых перспективных лекарственных препаратов путь от лаборатории до аптеки обычно дорог, занимает много времени и непредсказуем. По оценкам, разработка каждого одобренного препарата может занять до 15 лет и потребовать более 2 миллиардов долларов.
Однако искусственный интеллект (ИИ) с его беспрецедентной способностью анализировать огромные массивы данных обещает ускорить и упростить процесс разработки лекарств. Исследования, опубликованные в журнале Nature Medicine, подчёркивают многочисленные преимущества использования ИИ в различных задачах разработки лекарств.
Эти задачи включают в себя:
* выявление биомаркеров заболеваний и потенциальных мишеней для лекарств;
* моделирование взаимодействий между лекарствами и мишенями;
* прогнозирование безопасности и эффективности кандидатов в лекарства;
* управление клиническими испытаниями.
Текущее использование ИИ в медицине
В Австралии биотехнологический гигант CSL использует ИИ для ускорения разработки лекарств, стремясь создать более персонализированные и эффективные методы лечения серьёзных заболеваний. Между тем новый суперкомпьютер CSIRO Virga также нацелен на ускорение ранних этапов открытия лекарств.
В компании Moderna ИИ интегрирован на всех этапах разработки лекарств благодаря сильной цифровой основе, построенной на облачной инфраструктуре, интеграции данных, автоматизации и расширенной аналитике, — говорит Брайс Шалламель, глава отдела искусственного интеллекта и продуктовых инноваций в Moderna.
На самом раннем этапе, таком как идентификация мишеней и разработка мРНК, модели машинного обучения на основе ИИ могут помочь оптимизировать конструкцию последовательностей мРНК для повышения эффективности, стабильности и экспрессии белка.
«Это имеет решающее значение, поскольку существуют миллиарды возможных конструкций мРНК для любого заданного белка, и ИИ помогает справиться с этой сложностью, выходя за рамки традиционной науки», — объясняет Шалламель по электронной почте.
На более поздних этапах разработки ИИ помогает с анализом данных, генерирует лучшие идеи для дальнейших шагов и повышает операционную эффективность. Он также поддерживает процессы производства и цепочки поставок, предоставляя информацию в режиме реального времени и способствуя разработке и документированию автоматизации.
ИИ может эффективно использоваться даже при лечении сложных заболеваний, таких как рак. Модели машинного обучения на основе ИИ могут помочь проанализировать огромные объёмы биологических данных и выдвинуть новые гипотезы, что направлено на повышение эффективности и стабильности прецизионных лекарств.
Предупреждения о необходимости осторожности
Однако Шалламель утверждает, что наиболее важным аспектом использования любой формы ИИ для разработки лекарств является обеспечение надёжного контроля со стороны человека и прозрачности на каждом этапе.
«Мы работаем в строго регулируемой отрасли, где решения влияют на безопасность пациентов, поэтому важно, чтобы инструменты ИИ никогда не использовались изолированно», — объясняет он.
«Каждый результат проверяется с помощью структурированных процессов с участием человека или сотрудников, квалифицированных для работы с конкретным рабочим процессом».
Между тем межфункциональное управление обеспечивает отслеживаемость, объяснимость и соответствие решений нормативным ожиданиям.
«Прозрачность не подлежит обсуждению, поскольку регулирующие органы должны понимать, как генерируются полученные с помощью ИИ идеи, включая входные данные, предположения и этапы проверки», — добавляет он.
«Мы тщательно документируем это и следим за тем, чтобы все решения с участием ИИ были подкреплены чёткими, поддающимися проверке доказательствами».
Другие предупреждают, что потенциал ИИ революционизировать медицинские открытия может быть полностью реализован только при наличии определённых ограничений.
Риски и вызовы, связанные с использованием ИИ
В таких важных областях, как разработка лекарств, разнообразие данных необходимо для предотвращения ошибок и предвзятости. Обзор, опубликованный в 2023 году в журнале Pharmaceuticals, показал, что наличие подходящих и достаточных данных необходимо для точности и надёжности результатов.
«С научной точки зрения качество и интеграция данных имеют основополагающее значение, потому что ИИ так хорош, насколько хороши данные, на которых он обучен», — говорит Шалламель.
«Мы вложили значительные средства в цифровую инфраструктуру, чтобы обеспечить чистые, согласованные и доступные наборы данных по всем функциям».
Хотя ИИ помогает ускорить разработку лекарств, пока не удалось изменить ситуацию, когда речь идёт о 90-процентном проценте неудач во время клинических испытаний.
Тони Кенна, президент Австралийского общества медицинских исследований (ASMR), говорит, что пока не знает о каких-либо реальных преимуществах от применения инструментов ИИ к данным клинических испытаний.
«Существуют продолжающиеся исследования, оценивающие, могут ли модели ИИ создавать цифровые двойники — виртуальные модели пациентов, основанные на исторических общедоступных данных, — для прогнозирования прогрессирования заболевания и эффектов лечения», — говорит он.
Это может позволить проводить более мелкие и эффективные испытания с меньшим количеством пациентов в контрольных группах, повышая статистическую мощность и сокращая продолжительность испытаний.
Кенна также указал на работу компании QuantHealth, которая использует ИИ, обученный на данных о 350 миллионах пациентов и 700 000 терапевтических средствах, для имитации испытаний.
«Я пока не знаю о каких-либо ощутимых результатах от этого», — добавляет он.
Шейн Хантингтон OAM, генеральный директор ASMR, говорит, что процесс разработки лекарств часто приводит к появлению большого количества фармацевтических препаратов, эффективность которых ниже критического порога.
«Для многих людей эти лекарства прекрасно работают», — говорит он.
«Проблема в том, чтобы определить, для кого они работают, до их использования».
Генетические тесты для относительно небольшого числа препаратов в настоящее время доступны — и хотя они дорогостоящие, они могут предоставить важную информацию об использовании.
«Учитывая огромные суммы денег, уже вложенные в лекарства, которые «лежат на полке», генетическая оценка, возможно, при поддержке ИИ, должна быть в центре внимания», — добавляет Хантингтон.
Слепые зоны ИИ
Инструменты ИИ часто имеют слепые зоны, которые часто возникают из-за ограничений в качестве данных, их доступности и сложности биологических систем, — говорит Кенна.
«Не все научные статьи одинаковы», — объясняет он.
«Обученный учёный может оценить критические элементы качества в исследовании, такие как качество выборки, выбор когорты и соответствие статистических методов, чтобы определить надёжность опубликованных результатов.
«Инструменты ИИ плохо различают хорошую и плохую науку, поэтому модели могут включать как надёжные, так и некачественные данные, что, вероятно, повлияет на силу применения инструментов ИИ».
Кенна добавляет, что отрицательные данные (из неудачных экспериментов) недостаточно представлены, что имеет решающее значение для обучения надёжных моделей.
Злоупотребление ИИ
Растёт осознание того, что инструменты ИИ, используемые при разработке лекарств, могут стать опасными при отсутствии этических и правовых рамок. В 2022 году учёные Шон Экинс и Фабио Урбина написали в журнале Nature Machine Intelligence о своём проекте «Доктор Зло».
Они продемонстрировали, как алгоритм, предназначенный для идентификации терапевтических соединений, может быть использован для создания химического оружия.
По словам Хантингтона, злоупотребление ИИ в других, менее регулируемых отраслях уже вызывает серьёзные проблемы. Он ссылается на крупный судебный процесс, недавно возбуждённый несколькими крупными кинокомпаниями из-за нарушения авторских прав.
«Будут аналогичные проблемы с интеллектуальной собственностью, если системы ИИ не будут тщательно ограничены с точки зрения того, к каким данным у них есть доступ — в некотором отношении лишая их главного преимущества», — говорит он.
Чрезмерная уверенность
Инструменты машинного обучения часто не могут количественно оценить неопределённость, что приводит к смелым, но вводящим в заблуждение прогнозам. В редакционной статье, опубликованной в журнале Nature в 2023 году, говорилось, что системы, основанные на генеративном ИИ, которые используют шаблоны, извлечённые из обучающих данных, для генерации новых данных со схожими характеристиками, могут быть проблематичными.
В нём отмечалось, как чат-бот ChatGPT иногда выдавал выдуманные ответы. Кенна говорит, что риски, связанные с галлюцинациями и ошибками ИИ, можно снизить, если оставить «человека в курсе» и обеспечить экспертную проверку перед принятием решений.
«Инструменты ИИ должны помогать экспертам, а не заменять их», — говорит он.
Безопасность и конфиденциальность
Шалламель также отмечает, что безопасность данных имеет ключевое значение.
«Мы дополнили общедоступные инструменты ИИ безопасными внутренними корпоративными решениями, которые изолируют и защищают конфиденциальные данные», — говорит он.
«Короче говоря, ИИ может быть мощным ускорителем, но только в сочетании со строгим контролем со стороны человека, прозрачностью и соблюдением требований».