Ինչպես AI-ն օգնում է գիտնականներին նախագծել դեղերի հաջորդ սերունդը
MIT Technology Review-ի խորը վերլուծությունը ցույց է տալիս, թե ինչպես է արհեստական բանականությունը փոխակերպում դեղերի հայտնաբերման գործընթացը՝ սպիտակուցների կառուցվածքի կանխատեսումից մինչև կլինիկական փորձարկումներ:
AI-ն դեղերի հայտնաբերման մեջ. ինչպես է արհեստական բանականությունը վերափոխում բժշկության ապագան
Նոր դեղամիջոցի ստեղծումը ամենաբարդ և թանկարժեք գիտական մարտահրավերներից մեկն է: Միջին հաշվով, մեկ դեղամիջոցի մշակումը պահանջում է 10-15 տարի և միլիարդավոր դոլարներ — և այնուամենայնիվ, թեկնածուների մեծ մասը երբեք չի հասնում հիվանդներին: Հատկապես դժվար է կենսաբանական դեղամիջոցների դեպքում՝ սպիտակուցների վրա հիմնված թերապիաներ, որոնք օգտագործվում են իմունային և ուռուցքաբանական հիվանդությունների բուժման մեջ: Սակայն, արհեստական բանականությունը հենց այս ոլորտում է հեղափոխություն կատարում:
MIT Technology Review-ի վերլուծությունը, որը պատրաստվել է AstraZeneca-ի գիտնականների հետ համագործակցությամբ, ցույց է տալիս, թե ինչպես է AI-ն փոխում դեղերի հայտնաբերման գործընթացը՝ սպիտակուցների կառուցվածքի կանխատեսումից մինչև ինքնավար լաբորատոր համակարգեր: McKinsey-ի գնահատմամբ, գեներատիվ AI-ն և այլ հաշվողական գործիքները կարող են կրճատել դեղերի հայտնաբերման ժամանակը մինչև 50%-ով, ինչը նշանակում է տասնյակ միլիարդավոր դոլարների խնայողություն դեղագործական արդյունաբերության համար և, ամենակարևորը, զգալիորեն մեծացնում է հիվանդների գոյատևման հնարավորությունները:
AlphaFold-ի հեղափոխությունը. կառուցվածքի կանխատեսումից մինչև սպիտակուցների նախագծում
Դեղերի հայտնաբերման մեջ AI-ի ամենամեծ բեկումներից մեկը DeepMind-ի AlphaFold-ն էր՝ ծրագիր, որը լուծեց սպիտակուցների եռաչափ կառուցվածքի կանխատեսման խնդիրը: Այս խնդիրը 50 տարի շարունակ համարվում էր կենսաբանության ամենադժվար մարտահրավերներից մեկը: AlphaFold-ը ոչ միայն արագացրեց հետազոտությունը, այլև ստեղծեց հիմք, որի վրա այսօր հենվում է AI-ի վրա հիմնված դեղերի նախագծումը:
AlphaFold-ից հետո ի հայտ եկան նոր սերնդի մոդելներ՝ RFdiffusion, ProteinMPNN և այլ դիֆուզիոն մոդելներ, որոնք գեներացնում են սպիտակուցների բոլորովին նոր կառուցվածքներ: Սա նշանակում է, որ գիտնականները կարող են ոչ միայն վերլուծել գոյություն ունեցող սպիտակուցները, այլև նախագծել բոլորովին նոր սպիտակուցներ՝ ուղղված կոնկրետ հիվանդությունների:
Արդեն այսօր, հետազոտողները այս մոդելների միջոցով ստեղծել են սպիտակուցներ, որոնք բարձր մերձեցմամբ կապվում են կոնկրետ թիրախների հետ, նախագծել են կայուն սպիտակուցային կմախքներ դեղերի առաքման համար և ստեղծել են ֆերմենտներ արդյունաբերական օգտագործման համար: Հաշվողական կանխատեսման և փորձարարական վավերացման միջև հեռավորությունը անշեղորեն նվազում է, ինչը վկայում է, որ լիովին AI-ի վրա հիմնված դեղերի նախագծումն արդեն հասանելի է դառնում:
Build-Measure-Learn ցիկլը. AI-ի ինտեգրումը լաբորատոր աշխատանքային հոսքերում
AstraZeneca-ի մոտեցումը, ինչպես նկարագրված է MIT Technology Review-ի հոդվածում, հիմնված է build-measure-learn (կառուցիր-չափիր-սովորիր) ցիկլի վրա: AI-ն գեներացնում կամ դասակարգում է թեկնածու մոլեկուլները հաշվողական մեթոդներով, կանխատեսում է, թե որ նախագիծն է ամենահեռանկարայինը, այնուհետև գիտնականները լաբորատոր ռեսուրսները կենտրոնացնում են միայն լավագույն թեկնածուների վրա:
"Այն ամենը, ինչ մենք անում ենք՝ նախագծում, ստեղծում, փորձարկում կամ վերլուծություն — այժմ հաշվողականորեն ուժեղացված է," — ասում է Պուջա Սապրան, AstraZeneca-ի R&D կենսաբանական ճարտարագիտության ավագ փոխնախագահը: "Ցիկլի ժամանակը կրճատվում է, մինչդեռ արտադրողականությունը և նորարարությունը աճում են:"
Այս մոտեցումը հանգեցնում է ավելի սերտ հետադարձ կապի ցիկլի, ավելի քիչ փակուղային ուղղությունների, ավելի արագ իտերացիայի և հնարավորության՝ հասնելու հիվանդությունների այն թիրախներին, որոնք նախկինում համարվում էին անբուժելի:
Բազմաթիրախ կենսաբանական դեղամիջոցների նախագծում. միաժամանակ մի քանի թիրախի խոցում
Ավանդական կենսաբանական դեղամիջոցները սովորաբար գործում են մեկ հիվանդության մեխանիզմի վրա: Սակայն, դեղերի հաջորդ սերունդը կկարողանա միաժամանակ ազդել մի քանի թիրախների վրա կամ թերապևտիկ բաղադրիչները ճշգրիտ հասցնել կոնկրետ բջիջներին: Նման բարդության կառավարումը գերազանցում է մարդկային հնարավորությունները — պահանջվում է հազարավոր փոփոխականների միաժամանակյա օպտիմիզացիա: Հենց այստեղ է մտնում AI-ն:
AI մոդելներն օգնում են որոշել, թե որ երկու կամ երեք թիրախները պետք է լինեն առաջնահերթ, այնուհետև օպտիմիզացնում են բազմաթիվ պարամետրեր՝ մոլեկուլի արդյունավետությունը, կայունությունը, արտադրության հնարավորությունը և անվտանգությունը:
"Անհաղթ թիրախների դեղարկումը դառնում է իրականություն," — հայտարարում է Սապրան: "Այս տեխնոլոգիաները ի վերջո թույլ կտան մեզ դեղեր մշակել այն թիրախների դեմ, որոնք նախկինում համարվում էին անհասանելի:"
Տվյալների առավելությունը. որակյալ կենսաբանական տվյալների կարևորությունը
Ցանկացած AI մոդել միայն այնքան լավ է, որքան լավ են իր ուսուցման տվյալները: Դեղերի հայտնաբերման մեջ սա նշանակում է մեծ քանակությամբ բարձրորակ կենսաբանական տվյալների առկայություն: AstraZeneca-ի տվյալների բազաները ներառում են մոլեկուլային կառուցվածքներ, կապակցման չափումներ, անվտանգության պրոֆիլներ և արտադրության արդյունքներ:
"Տվյալները մեր տարբերակիչ ուժն են," — բացատրում է Սապրան: "Մենք ստեղծել ենք նպատակաուղղված դիվերսիֆիկացված պորտֆել բազմաթիվ հիվանդությունների ուղղություններով: Այս տվյալները թույլ են տալիս մեզ ճշգրտորեն կարգաբերել առաջատար AI մոդելները ավելի հարուստ և ներկայացուցչական ուսուցման հավաքածուներով:"
Կարևոր է, որ յուրաքանչյուր փորձ — հաջող կամ անհաջող — առաջացնում է ազդանշան այն մասին, թե ինչն է աշխատում և ինչը՝ ոչ: Այս տվյալները սնուցում են AI մոդելները՝ դրանք անընդհատ բարելավելով:
Ինքնավար լաբորատորիա. AI + ռոբոտաշինությունը որպես փակ ցիկլի հայտնաբերման համակարգ
AstraZeneca-ն կառուցում է "ապագայի լաբորատորիա" Քեմբրիջում, Մասաչուսեթս, որտեղ AI-ն և ռոբոտային ավտոմատացումը ստեղծում են շարունակական, փակ ցիկլ դեղերի հայտնաբերման համար: "Ինչպես ինքնակառավարվող մեքենան օգտագործում է սենսորներ և մոդելներ շրջակա միջավայրում նավարկելու համար, այս համակարգը օգտագործում է AI-ն կանխատեսումների, ռոբոտային համակարգերը՝ փորձերի իրականացման և գործիքները՝ տվյալների գեներացման համար," — բացատրում է Սապրան:
Տվյալները ուղղակիորեն վերադառնում են մոդելներին՝ արագացնելով յուրաքանչյուր հաջորդ ցիկլը: Ի վերջո, ավտոմատացված բարձր թողունակության համակարգերը կկարողանան գնահատել հազարավոր մոլեկուլային փոխազդեցություններ շաբաթական — մասշտաբ, որն անհասանելի է ավանդական մեթոդների համար:
De Novo նախագծում. AI-ի կողմից ստեղծված դեղամիջոցներ զրոյից
Վերջնական տեսլականը — բոլորովին նոր սպիտակուցային հաջորդականությունների գեներացում AI-ի կողմից, որոնք ճշգրիտ համապատասխանում են ցանկալի թերապևտիկ հատկություններին: Սա ներառում է կառուցվածքի նախագծում, անվտանգության կանխատեսում, մարմնում վարքագծի մոդելավորում և արտադրության հնարավորության գնահատում:
"Ոլորտը զգալի առաջընթաց է գրանցում դեպի լիովին AI-գեներացված կենսաբանական դեղամիջոց, որը սկզբից մինչև վերջ — զրոյից մինչև կլինիկական թեկնածու — նախագծված կլինի AI-ի կողմից," — ասում է Սապրան: "Ես հավատում եմ, որ դա տեղի կունենա: Դա ժամանակի հարց է:"
Սակայն, ճանապարհը բարդ է: De novo նախագծման ամենադժվար խնդիրներից մեկը կանխատեսելն է, թե արդյոք հաշվողականորեն գեներացված մոլեկուլը անվտանգ կլինի մարդու մարմնում: AstraZeneca-ն այս խնդիրը լուծում է վիրտուալ կլինիկական փորձարկումների միջոցով — առաջադեմ բջջային համակարգեր և միկրո-օրգանների մոդելներ, որոնք աշխատում են AI-ի հետ միասին:
Մարդ + AI. համագործակցության ապագան
Չնայած բոլոր տեխնոլոգիական առաջընթացներին, գիտնականները մնում են գործընթացի կենտրոնում: "Նույնիսկ ինքնավար համակարգերի պայմաններում, մարդու վերահսկողությունը մնում է այս մոտեցման սիրտը — էթիկական և բացատրելի AI-ի ապահովման համար՝ հիվանդների օգտին," — շեշտում է Սապրան:
Ինժեներները ստեղծում են համակարգեր, որոնք գործում են որպես "մտքի գործընկերներ" և ոչ թե սև արկղեր: Սա ներառում է մուլտիմոդալ տվյալների միաձուլում, փակ ցիկլի օպտիմիզացիա, անորոշության քանակական գնահատում և մեկնաբանելիություն կլինիկական որոշումների մակարդակում:
Այսօր AI-ն արդեն պարզապես գործիք չէ — այն դեղերի հայտնաբերման ենթակառուցվածքի հիմնարար մասն է: Ինչպես ցույց է տալիս MIT Technology Review-ի վերլուծությունը, AI-ի և կենսաբանության հատման կետում տեղի ունեցող փոխակերպումը կփոխի բժշկության դեմքը այնպես, ինչպես երբեք նախկինում — և սա միայն սկիզբն է: