Пост-Covid... Будущее искусственного интеллекта в разработке лекарств

06.07.2021 - 10 МИНУТ

С глобальной вспышкой Covid-19 в начале 2020 года фарм-компании и биотехи все чаще обращаются к искусственному интеллекту, чтобы повысить точность и скорость разработки лекарств.

Искусственный интеллект (ИИ), способность машин учиться на новых входных данных, - это широкий термин, обозначающий целый ряд вычислительных методов. Механизмы рекомендаций, используемые интернет-магазинами или потоковыми сервисами, используют формы ИИ для изучения предпочтений потребителей и соответствующей адаптации рекомендаций. Эту же технологию можно использовать для прогнозирования того, какие лекарства с большей вероятностью будут эффективны против конкретной цели, не вызывая серьезных побочных эффектов.

Искусственный интеллект обеспечивает высокий уровень точности на сложных и трудоемких этапах разработки лекарств. Такая точность приводит к сокращению сроков разработки и снижению риска отказа в будущем.

«Мы используем технологию искусственного интеллекта для разработки лучших в своем классе молекул, которые идеально подходят для клинических разработок», - объясняет Эндрю Хопкинс, генеральный директор британской компании Exscientia, которая недавно привлекла раунд серии D в размере 435 миллионов евро (525 миллионов долларов) для финансирования своего усилия по применению ИИ для открытия лекарств .

«Открытие лекарств - это точная инженерия на молекулярном уровне, и мы всегда уделяем внимание качеству наших молекул. Создание хорошо сбалансированных молекул, обладающих конкурирующими свойствами, означает, что они с меньшей вероятностью потерпят неудачу на этапах разработки лекарств ».

AI также дает исследователям возможность анализировать разрозненные наборы данных. Например, он может объединять обширные библиотеки химических соединений, биомедицинские данные из литературы и данные о состоянии здоровья пациентов в графы знаний. Эта модель данных создает новые связи и понимание ранее несвязанной информации, которую исследователи могут использовать для прогнозирования, моделирования новых путей и болезненных состояний и проверки своих результатов.

Толчок пандемии

Точность и скорость сделали ИИ идеальным инструментом для помощи в поиске лекарств и вакцин от Covid, чего не могли сделать традиционные разработки лекарств.

«Пандемия Covid-19 пролила свет на ловушки традиционного процесса NCE [новое химическое соединение], которое занимает много лет, стоит больших денег и имеет огромное количество отказов», - сказал Эндрю Уотсон, вице-президент по искусственному интеллекту в Кембриджской фирме по открытию новых лекарств Healx .

В прошлом году лондонская фирма BenevolentAI успешно применила ИИ, чтобы быстро найти потенциальное лечение Covid, перепрофилировав ревматологический препарат барицитиниб. Научный советник BenevolentAI Джеки Хантер отмечает, что они развили идею до практических результатов всего за 48 часов.

«Это наш генеральный директор, Джоанна Шилдс, сказала:« Мы должны что-то делать, у нас есть возможность с нашей платформой видеть, есть ли какой-либо препарат, который мы могли бы изменить, чтобы оказать влияние [на Covid] ». Конечно, сначала вам нужен ученый, который задаст правильный вопрос. В нашем случае наш вице-президент по фармакологии Питер Ричардсон понял, что нам нужно что-то противовоспалительное, [что] действительно влияет на проникновение или репликацию вирусов ».

«Используя наш график знаний, мы могли бы задавать такого рода вопросы, выделять соединения и исследовать пути, которые могут привести к выявлению тех молекул, которые будут иметь противовоспалительное действие, но потенциально также могут препятствовать проникновению вирусов в клетку».

Улучшенный доступ к данным

Искусственный интеллект специально создан для обработки огромных библиотек данных - больших данных, с которыми традиционные системы обработки данных не могут справиться. Это позволяет исследователям работать с большими наборами данных, такими как уровни заражения Covid в масштабах всего населения или накопленные за десятилетия исследовательские работы.

Однако большие данные - не всегда лучший вариант. «Создание новой молекулы для новой мишени по своей сути представляет собой небольшую проблему с данными - просто меньше накопленных данных доступно для недавно идентифицированных мишеней», - говорит Хопкинс .

Получение доступа к значимым данным может быть проблемой независимо от их размера. Это может быть ограничено коммерческими интересами или конфиденциальностью пациента. По словам Хантера, чрезвычайная ситуация в области здравоохранения, связанная с Covid, помогла преодолеть некоторые из этих ограничений и, возможно, способствовала обмену данными в будущем.

«Covid продемонстрировал, что вы можете делиться данными о пациентах без ущерба для целостности данных о пациентах или без каких-либо проблем, связанных с анонимностью пациентов. И поскольку это продемонстрировало преимущества с точки зрения результатов для пациентов, это хороший пример, [показывающий, как] если бы это не сделало, это действительно замедлило бы все, и у людей не было бы доступа к лечению, которое они получили ».

ИИ и новые способы работы

Обмен данными может также способствовать новому сотрудничеству между ранее отдельными исследовательскими или коммерческими организациями. Рекордное время вывода на рынок эффективной вакцины против Covid, проделанное компаниями Pfizer и BioNTech, демонстрирует синергию, возможную при таком сотрудничестве.

«Мы считаем, что взаимодействие между ИИ, машинным обучением и фармацевтикой является потенциально революционным и похоже на то, что мы видели, когда молекулярная биология и фармацевтика объединились, чтобы кормить биотехнологии 40 лет назад», - говорит Хопкинс .

Для такого сотрудничества необходимы кросс-функциональные команды для эффективной работы в организациях и внутри них, где навыки и культура работы должны сочетаться. Одно из приложений, в которых это становится очевидным, - это клинические испытания in silico , в которых ИИ используется для компьютерного моделирования и симуляции биологии здоровых людей, болезненных состояний и методов лечения. Это помогает снизить затраты, сложность и риски в процессе разработки лекарств. В то время как люди остаются критически важным критерием тестирования новых лекарств, результаты испытаний in silico, проводимых только на машинах, могут более глубоко повлиять на исследования и процесс принятия решений, особенно при переходе от доклинической фазы к более дорогостоящим и сложным испытаниям на людях.

С внедрением in silico [моделирования] можно построить довольно сложные модели заболеваний! Необходим вклад целого ряда экспертов в таких областях, как иммунология, фиброз, планирование экспериментов, дизайн клинических испытаний, математическое моделирование, разработка программного обеспечения и экспертиза данных. Это естественный процесс сотрудничества, и, независимо от испытаний in silico, эту тенденцию начали применять и фармацевтические компании .

Из-за запрета на пандемию фармацевты обратились к клиническим испытаниям in silico, чтобы продолжить разработку лекарств в те времена, когда труднее набирать людей. Эта тенденция, скорее всего, усилится, что приведет к увеличению количества клинических испытаний с использованием меньших, более сфокусированных целей и групп пациентов.

Преодоление ограничений ИИ

Несмотря на обещания технологии, искусственный интеллект вряд ли в ближайшее время заменит испытуемых-людей, и использование его возможностей зависит от человеческого участия, чтобы ответить на правильный вопрос.

Задача состоит в том, чтобы избежать чрезмерного усложнения модели. Поскольку человеческая биология очень сложна, можно потратить всю жизнь на построение математической модели человеческого тела.

ИИ дает возможность собирать, ассимилировать и анализировать обширные и разрозненные наборы данных, но он не может оценить ценность этих данных для исследователей. Больше преимуществ будет в том, чтобы обрабатывать меньшие объемы высококачественных данных для создания математических представлений того, что уже известно, и сочетать это с годами научных и клинических знаний и опыта более значимым образом. Более целенаправленные входные данные способствуют получению более целенаправленных результатов, что также вселяет в исследователей уверенность в этих результатах.

Еще один способ создать более надежный результат - создать системы искусственного интеллекта, которые могут дать объяснение их ответам.

Джордж Палиурас, старший научный сотрудник Института информатики и телекоммуникаций NCSR Demokritos в Греции, изучает такого рода проблемы ИИ. Палиурас руководил исследованием для iASiS , общеевропейского проекта по изучению использования ИИ и больших данных в точной медицине, что привело к созданию LangAware, стартапа, который использует распознавание языка для обнаружения болезни Альцгеймера.

«Один из аспектов ИИ, который все еще остается проблемным, - это нейронные сети и их непрозрачность для приложений здравоохранения. Чтобы доверять решению, нам нужно знать, почему оно было принято », - объясняет Палиурас .

«Например, ИИ может выявить пациента, предрасположенного к болезни Альцгеймера, но почему это? На каких данных система основывала это решение? Это очень и очень важно для всех приложений искусственного интеллекта в области здравоохранения. Так что прямо сейчас горячая область ИИ известна как «объяснимый ИИ», или ИИ, решения которого понятны людям ».

В 2020 году его команда запустила проект BioASQ Synergy, чтобы продвигать системы искусственного интеллекта и находить ответы на сложные вопросы Covid. В проекте участвуют исследователи и ученые, которые задают вопросы конкурирующим системам искусственного интеллекта, например: «Есть ли связь между воздействием загрязнения воздуха и смертностью от COVID-19?» Хотя результаты, полученные с помощью ИИ, не всегда дают точный ответ на вопрос, цель состоит в том, чтобы они были понятны и полезны для людей.

Изменение восприятия искусственного интеллекта и данных

Другие проблемы использования ИИ существуют вне технологий. Например, распространение личных медицинских данных остается спорной темой. Многие люди опасаются, что их личные данные могут попасть в чужие руки. Для поставщиков медицинских услуг и других сборщиков данных о пациентах одним из аргументов в пользу ограничения совместного использования является отсутствие надежного способа полной (и постоянной) анонимности данных.

Палиурас считает, что эти препятствия в значительной степени искусственны, и говорит, что исследования показывают, что пациенты более охотно делятся своими данными, чем предполагается. Преодоление барьеров со стороны поставщиков медицинских услуг, коммерческих организаций, защищающих информационные активы, или исследователей и издателей, контролирующих публикацию результатов, в конечном итоге сводится к одной простой идее.

«Я думаю, мы должны интерпретировать [законы о защите данных] таким образом, чтобы пациент мог контролировать все свои данные. Затем нам нужно предоставить им такой контроль и знания, чтобы они могли решить, что их данные могут и должны использоваться для определенных целей ».

Он предлагает возможное обходное решение - федеративное обучение, которое может включать использование методов искусственного интеллекта непосредственно в точках сбора данных, таких как больницы. Этот подход позволяет исследователям создавать агрегированные модели на основе этих данных, а не собирать и перемещать их в другое место, эффективно обходя проблему собственности.

Есть также проблема восприятия с идеей машин, разрабатывающих лекарства, предназначенные для человеческого тела, и с рисками, которые, по мнению некоторых людей, это создает. Хотя у ИИ есть потенциал для использования в гнусных целях, таких как интеллектуальное оружие, его использование при разработке лекарств остается в пределах строго регулируемой области медицины. По мере того, как увеличивается количество испытаний in silico , FDA и EMA устанавливают соответствующие правила.

Хотя пандемия облегчила доступ к данным, потребуется время, чтобы решить все вопросы внедрения технологии искусственного интеллекта. Между тем, преимущества ИИ для разработки лекарств и здоровья человека будут продолжать расти в геометрической прогрессии по мере увеличения знаний и опыта, а также развития технологий. Искусственный интеллект уже сделал возможным многие вещи, которые были невозможны всего несколько лет назад. Как отмечает Джордж Палиурас, без нее сложно представить такие методы лечения, как генная терапия.

«Пространство возможностей и выбора в генетических исследованиях огромно. Представьте себе один ген с несколькими миллионами оснований. Если они ищут альтернативные последовательности в этой более крупной последовательности, возможны варианты от 10 до 16, и исследователям, возможно, придется выбрать десять молекул для испытания. AI делает этот процесс эффективным и систематически реальным ».

Уотсон подчеркивает, что значительный потенциал ИИ будет по-прежнему иметь для их исследований редких заболеваний, где 95% состояний по-прежнему не имеют одобренного лечения.

«Мы все должны глубоко подумать о том, как уравновесить необходимость защиты конфиденциальной информации с растущими возможностями, предлагаемыми передовыми инструментами, такими как искусственный интеллект. Необходим открытый диалог, который основывается на уроках, извлеченных из этой пандемии, и позволяет всем - пациентам, общественности, исследователям, промышленности и правительству - поделиться своим видением здравоохранения будущего ».

«Биотехнологические компании должны говорить о своих достижениях, но делать это ответственно, а не преувеличивать», - говорит Хантер. «Помогая людям понять, как успешные исследования использовали ИИ ... простым способом, чтобы делать то, что раньше не могло быть сделано».

ИСТОЧНИК: https://www.labiotech.eu/