KI in der Pharmazie: Beschleunigung der Wirkstoffentdeckung

Wir sind es bereits gewohnt, dass ein Teil der Arbeit im Gesundheitswesen maschinell erledigt werden kann. Sie haben sich als hilfreich bei der Diagnose oder Auswahl der Behandlungslinie sowie beim Dokumentenfluss-Management erwiesen. Sobald wir jedoch einen Blick über die Beziehungen zwischen Patienten und Gesundheitsdienstleistern werfen, sind wir erstaunt über das Ausmaß der Probleme und das Potenzial der KI, sie zu lösen.

2,5 Mrd. USD und 10 Jahre Forschung - das sind die Zahlen, die den Arzneimittelentwicklungsprozess beschreiben. Addieren Sie dazu, dass nur 1 von 10 Medikamenten alle notwendigen Stufen durchlaufen und schließlich den Patienten erreichen würde. Die heutige schnelle und wütende Welt kann sich weder solche Ausgaben noch einen solchen Zeitrahmen leisten.

Hier können KI-Techniken den größten Mehrwert bringen, wodurch die Wirkstoffentdeckung schneller, billiger und effektiver wird. Einige Apotheker sind immer noch skeptisch, aber die meisten Experten erwarten, dass diese Tools immer wichtiger werden. Wenn die Befürworter dieser Techniken Recht haben, läuten KI und maschinelles Lernen eine Ära der schnelleren, billigeren und effektiveren Wirkstoffentdeckung ein

McKinsey schätzt beispielsweise, dass eine bessere Entscheidungsfindung, optimierte Innovation, verbesserte Forschungseffizienz, klinische Studien und die Erstellung neuer Tools mithilfe von Big Data und maschinellem Lernen jährlich bis zu 100 Mrd. USD in Pharma und Medizin generieren können.

AI hat das Potenzial, den gesamten Prozess der Wirkstoffentdeckung zu verändern. Bisher sind die Phasen der Arzneimittelentwicklung, die von einer Hypothese ausgehen und auf die Erprobung der Arzneimittel abzielen, überhaupt nicht miteinander verbunden. Im Gegenteil, aus Sicht des maschinellen Lernens werden die Stufen miteinander verbunden, da Sie die Daten der nächsten Stufe verwenden können, um zu verstehen, was in der vorherigen Stufe oder in den beiden vorhergehenden Stufen passiert. Außerdem kann der gleichzeitige Zugriff auf mehrere Daten ein quantifizierbares Segment identifizieren, anstatt breite Deskriptoren wie Krankheitssymptome zu verwenden. Mit maschinellem Lernen können Forscher eine Studie an einer Patientengruppe durchführen, unterschiedliche Ergebnisse erhalten und diese auf die Genetik molekularer Signaturen der Patienten abbilden, um Krankheiten auf einem festeren Boden zu definieren.

AI wurde bereits in allen wichtigen Phasen der Arzneimittelentwicklung erfolgreich eingesetzt:

· Stufe 0. Literaturübersicht

· Phase 1: Identifizierung von Interventionszielen

· Phase 2: Wirkstoffkandidaten entdecken

· Stufe 3: Beschleunigung klinischer Studien

· Stufe 4: Auffinden von Biomarkern zur Diagnose der Krankheit

Hauptstadien in der Arzneimittelentwicklung

Stufe 0 Literaturübersicht

Es gibt eine enorme Menge an Forschungsergebnissen, die jeden Tag veröffentlicht werden. Wenn wir die Erkenntnisse aus allen Studien zusammenfassen könnten, könnten wir eine bessere Hypothese formulieren. Für einen Menschen ist es jedoch unmöglich, alle Abstracts und wissenschaftlichen Arbeiten zu lesen. Daher konzentrieren sich Forscher, die im wissenschaftlichen Bereich arbeiten, in der Regel nur auf einen Bereich und lesen keine anderen Zeitschriften. Diese Zeitschriften enthalten jedoch viele relevante Daten, die Entscheidungen in den Bereichen beeinflussen können, in denen eine Person recherchiert. Die Lösung besteht darin, die Maschinen alle verfügbaren Literatur, Patente und Dokumente lesen zu lassen und die Daten in einer Datenbank mit Fakten zusammenzufassen, die aus dieser Literatur extrahiert werden können. Dies ist die Grundlage für die Hypothese, therapeutische Ziele für Krankheiten zu finden.

Phase 1: Identifizierung von Interventionszielen

Der erste Schritt bei der Arzneimittelentwicklung besteht darin, den biologischen Ursprung einer Krankheit und ihre Resistenzmechanismen zu verstehen. Um eine Krankheit zu behandeln, ist es entscheidend, gute Ziele zu identifizieren, normalerweise Proteine. Die breite Anwendung von Hochdurchsatztechniken wie das Screening auf kurze Haarnadel-RNAs (shRNAs) und die Tiefensequenzierung hat die Menge der verfügbaren Daten zur Entdeckung lebensfähiger Zielpfade erhöht. Es bleibt jedoch eine Herausforderung, die große Anzahl und Vielfalt der Datenquellen zu integrieren und dann die relevanten Muster zu finden. Algorithmen für maschinelles Lernen sind für solche Aufgaben bekannt und können alle verfügbaren Daten verarbeiten, um gute Zielproteine ​​automatisch vorherzusagen.

Stufe 2: Entdeckung von Medikamentenkandidaten

Nachdem Ziele identifiziert wurden, suchen die Forscher nach einer Verbindung, die auf die gewünschte Weise mit dem identifizierten Zielmolekül interagieren kann. Dabei werden Tausende und Abermillionen potenzieller natürlicher, synthetischer und biotechnologischer Verbindungen auf ihre Wirkung auf das Ziel und ihre Nebenwirkungen untersucht. Algorithmen für maschinelles Lernen können die Eignung eines Moleküls anhand von strukturellen Fingerabdrücken und molekularen Deskriptoren vorhersagen, Millionen potenzieller Moleküle durchleuchten und mit minimalen Nebenwirkungen die besten Optionen herausfiltern.

Stufe 3: Schnellere klinische Studien

Der Schlüssel zu erfolgreichen Studien ist eine genaue Auswahl geeigneter Kandidaten, da eine falsche Auswahl eine Verlängerung der Studien und eine Verschwendung von Zeit und Ressourcen zur Folge hat. Maschinelles Lernen kann das Design klinischer Studien beschleunigen, indem geeignete Kandidaten automatisch identifiziert werden und sichergestellt wird, dass die Studienteilnehmer korrekt auf die Gruppen verteilt werden. ML-Algorithmen können Muster identifizieren, die gute Kandidaten vorhersagen würden. Außerdem können sie den Forschern mitteilen, dass eine klinische Studie keine schlüssigen Ergebnisse liefert, so dass die Forscher früher eingreifen und möglicherweise die Entwicklung des Arzneimittels retten könnten.

Stufe 4: Identifizierung von Biomarkern zur Diagnose der Krankheit

Schließlich können Sie Patienten nur dann wegen einer Krankheit behandeln, wenn Sie sich Ihrer Diagnose sicher sind. Biomarker sind Moleküle, die in Körperflüssigkeiten wie Blut vorkommen und absolute Sicherheit darüber bieten, ob ein Patient an einer Krankheit leidet oder nicht. Sie machen die Diagnose einer Krankheit sicher und kostengünstig. Sie können auch verwendet werden, um das Fortschreiten der Krankheit genau zu bestimmen. Dies erleichtert Ärzten die Auswahl der richtigen Behandlung und die Überwachung der Wirksamkeit des Arzneimittels.

Zum Auffinden von Biomarkern müssen jedoch Zehntausende potenzieller Molekülkandidaten gescreent werden. Wieder einmal kann AI den Prozess automatisieren und beschleunigen. Die Algorithmen klassifizieren Moleküle in gute und schlechte Kandidaten - und der Forscher kann sich darauf konzentrieren, nur die besten Aussichten zu analysieren.

Biomarker können identifizieren:

· Diagnostischer Biomarker: Frühestmögliches Vorliegen einer Krankheit

· Risikobiomarker: Das Risiko, dass ein Patient an der Krankheit erkrankt

· Prognostischer Biomarker: Das wahrscheinliche Fortschreiten einer Krankheit

· Predictive Biomarker: Gibt an, ob ein Patient auf ein Medikament anspricht

Arten von Biomarkern

Auch wenn AI noch in der Infanterie weit verbreitet ist, gibt es mehrere Beispiele für den Einsatz in Pharmaunternehmen. Beispielsweise arbeitet der Pharmakonzern Merck & Co an einem Projekt, bei dem mithilfe von Deep Learning-Technologie neue kleine Moleküle entdeckt werden. Pfizer hat eine Zusammenarbeit mit IBM Watson zur Erforschung immunonkologischer Arzneimittel begonnen. Forscher des in Massachusetts ansässigen Biotechnologieunternehmens Berg haben ein Modell entwickelt, um bisher unbekannte Krebsmechanismen mithilfe von Tests an mehr als 1.000 krebsartigen und gesunden menschlichen Zellproben zu identifizieren.

Diese Verschiebung deutet darauf hin, dass die Branche nicht nur die Vorteile des maschinellen Lernens für die Identifizierung und das Screening von Medikamenten, die genauere Vorhersage von Medikamentenkandidaten und letztendlich die Senkung der Kosten und des Aufwands für Forschung und Entwicklung erkannt hat, sondern diese auch aktiv nutzt.

Wie wird KI die Zukunft menschlicher Experten verändern?

Während mehr Studien veröffentlicht und Diskussionen über die Zukunft der KI in der Medizin geführt werden, tauchen unterschiedliche Seiten des Arguments auf. Es besteht allgemeiner Konsens darüber, dass Routineaufgaben und Datenerfassung / -eingabe zwar maschinell erfolgen sollten, jedoch immer das menschliche Element der Rolle des Kurators für Urteilsvermögen, Kreativität und Einfühlungsvermögen oder andere menschliche Faktoren erforderlich sein wird, die die moderne Technologie nicht bieten kann .

Als Kuratoren stellen die Menschen das Problem auf und lassen die Algorithmen oder Roboter es lösen. Sie werden bestimmte Verbindungen, Symptome, Krankheiten oder andere als zufällige oder winzige Probleme zuschneiden und gezielt behandeln, nur um dies zu tun. Darüber hinaus erteilen menschliche Experten Genehmigungen in den verschiedenen Phasen des Testens oder der Untersuchung weiterer Optionen auf der Grundlage von Ergebnissen, die auf dem Kontext basieren, den die Bots möglicherweise nicht verstehen.

Zusammenfassend lässt sich sagen, dass die Zukunft in der Zusammenarbeit zwischen Mensch und Maschine liegt und dass klinische Experten sich anpassen, lernen und mit dem technologischen Fortschritt wachsen müssen. Obwohl zukünftige Spezialisten sowohl medizinische als auch Computerexperten sein müssen, handelt es sich bei der Medizin um Evolution, nicht um Aussterben.