KI in der Pharmazie: Beschleunigung der Wirkstoffentdeckung

Wir sind bereits daran gewöhnt, dass ein Teil der Arbeit im Gesundheitswesen maschinell erledigt werden kann. Sie haben sich als wirksam bei der Diagnose oder Auswahl von Behandlungslinien sowie beim Dokumentenflussmanagement erwiesen. Sobald wir jedoch einen Blick über die Beziehungen zwischen Patienten und Gesundheitsdienstleistern hinaus 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 Stadien 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 bieten und die Wirkstoffentdeckung schneller, billiger und effektiver machen. Einige Apotheker sind immer noch skeptisch, aber die meisten Experten erwarten, dass diese Instrumente immer wichtiger werden. Wenn die Befürworter dieser Techniken Recht haben, werden KI und maschinelles Lernen eine Ära der schnelleren, billigeren und effektiveren Wirkstoffentdeckung einleiten

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

KI hat das Potenzial, den gesamten Prozess der Wirkstoffentdeckung zu verändern. Bisher sind die Stadien der Arzneimittelentwicklung, die von einer Hypothese ausgehen und zum Testen der Arzneimittel führen, überhaupt nicht miteinander verbunden. Im Gegenteil, aus Sicht des maschinellen Lernens werden die Phasen miteinander verbunden, da Sie die Daten aus der nächsten Phase verwenden können, um zu verstehen, was in der vorherigen oder zwei vorherigen Phasen 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 einem Pool von Patienten durchführen, unterschiedliche Ergebnisse erhalten und diese auf die Genetik molekularer Signaturen der Patienten abbilden, um Krankheiten auf festerem Boden zu definieren.

AI wurde bereits in allen Hauptstadien der Arzneimittelentwicklung erfolgreich eingesetzt:

· Stufe 0. Literaturübersicht

· Phase 1: Ermittlung der Interventionsziele

· Stufe 2: Entdeckung von Medikamentenkandidaten

· Stufe 3: Beschleunigung klinischer Studien

· Stufe 4: Suche nach Biomarkern zur Diagnose der Krankheit

Hauptphasen in der Arzneimittelentwicklung

Stufe 0 Literaturübersicht

Es gibt eine enorme Menge an Forschung, die jeden Tag veröffentlicht wird, und wenn wir die Erkenntnisse aus allen Studien zusammenstellen 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, normalerweise 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 forscht. Die Lösung besteht darin, Maschinen alle verfügbaren Literaturen, Patente und Dokumente lesen zu lassen und die Daten in einer Datenbank mit Fakten zusammenzufassen, die aus dieser Literatur extrahiert werden können. Dies bildet die Grundlage für die Hypothese, therapeutische Ziele für Krankheiten zu finden.

Stufe 1: Identifizierung von Interventionszielen

Der erste Schritt in 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 von Kurzhaarnadel-RNA (shRNA) und die Tiefensequenzierung haben die Datenmenge erhöht, die für die Entdeckung lebensfähiger Zielwege verfügbar ist. Es ist jedoch immer noch eine Herausforderung, die hohe Anzahl und Vielfalt der Datenquellen zu integrieren und dann die relevanten Muster zu finden. Es ist bekannt, dass Algorithmen für maschinelles Lernen bei solchen Aufgaben gut sind und alle verfügbaren Daten verarbeiten können, um automatisch gute Zielproteine ​​vorherzusagen.

Stufe 2: Entdeckung von Medikamentenkandidaten

Nachdem die Ziele identifiziert wurden, suchen die Forscher nach einer Verbindung, die auf die gewünschte Weise mit dem identifizierten Zielmolekül interagieren kann. Dies beinhaltet das Screening von Tausenden und Millionen potenzieller natürlicher, synthetischer und biotechnologisch hergestellter Verbindungen auf ihre Wirkung auf das Ziel und ihre Nebenwirkungen. Algorithmen für maschinelles Lernen können die Eignung eines Moleküls basierend auf strukturellen Fingerabdrücken und molekularen Deskriptoren vorhersagen, Millionen potenzieller Moleküle durchblättern und sie mit minimalen Nebenwirkungen auf die besten Optionen herunterfiltern.

Stufe 3: Schnellere klinische Studien

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

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 den Prozess der Diagnose einer Krankheit sicher und billig. Sie können auch verwendet werden, um das Fortschreiten der Krankheit zu bestimmen. So können Ärzte leichter die richtige Behandlung auswählen und überwachen, ob das Medikament wirkt.

Um Biomarker zu entdecken, 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 Forscher können sich darauf konzentrieren, nur die besten Aussichten zu analysieren.

Biomarker können identifizieren:

· Diagnostischer Biomarker: Das Vorliegen einer Krankheit so früh wie möglich

· Risikobiomarker: Das Risiko, dass ein Patient die Krankheit entwickelt

· Prognostischer Biomarker: Das wahrscheinliche Fortschreiten einer Krankheit

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

Arten von Biomarkern

Obwohl die breite Anwendung von KI immer noch in der Infanterie liegt, gibt es mehrere Beispiele für die Verwendung durch Pharmaunternehmen. Zum Beispiel arbeitet der Pharmakonzern Merck & Co an einem Projekt, das Deep-Learning-Technologie zur Entdeckung neuartiger kleiner Moleküle einsetzt. Pfizer hat eine Zusammenarbeit mit IBM Watson für die Erforschung der Wirkstoffforschung in der Immunonkologie 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 aufgewacht ist, sondern die Vorteile des maschinellen Lernens aktiv nutzt, um Medikamente zu identifizieren und zu untersuchen, Medikamentenkandidaten genauer vorherzusagen und letztendlich die Kosten und den Aufwand für Forschung und Entwicklung zu senken.

Wie wird KI die Zukunft menschlicher Experten verändern?

Wenn mehr Studien veröffentlicht und Diskussionen über die Zukunft der KI in der Medizin geführt werden, ergeben sich unterschiedliche Seiten des Arguments. Der allgemeine Konsens ist, dass Routineaufgaben und die Datenerfassung / -eingabe zwar von Maschinen durchgeführt werden sollten, jedoch immer das menschliche Element der Rolle des Kurators in Bezug auf Urteilsvermögen, Kreativität und Empathie oder andere menschliche Faktoren, die moderne Technologie nicht bieten kann, erforderlich sein wird .

Als Kuratoren werden Menschen das Problem einrichten und die Algorithmen oder Roboter es lösen lassen. Sie werden bestimmte Verbindungen, Symptome, Krankheiten oder andere eher anpassen und gezielt als zufällige oder winzige Probleme, nur um dies zu tun. Außerdem werden menschliche Experten die Genehmigung in den verschiedenen Phasen des Testens oder der Untersuchung weiterer Optionen erteilen, basierend auf Ergebnissen basierend auf dem Kontext, den die Bots möglicherweise nicht verstehen.

Zusammenfassend liegt die Zukunft in der Zusammenarbeit zwischen Mensch und Maschine, und klinische Experten müssen sich neben dem technologischen Fortschritt anpassen, lernen und wachsen. Obwohl zukünftige Spezialisten sowohl medizinische als auch Computerexperten sein müssen, ist es für die Medizin Evolution, nicht Aussterben.