Farmaceutska industrija suočava se s sve većim pritiskom da ubrza otkrivanje lijekova uz smanjenje troškova i poboljšanje stope uspjeha. Uz tradicionalne metode koje se pokazuju sporim i skupim, umjetna inteligencija (AI) se pojavljuje kao ključni alat u transformaciji procesa. Prema nedavnim izvještajima, trošak razvoja novih lijekova gotovo se udvostručio svakih devet godina od 1950-ih, trend poznat kao Eroomov zakon.
Paul Belcher, direktor strategije istraživanja proteina u Cytivi, napominje da je primarni financijski teret u razvoju lijekova u kliničkoj fazi. Kao takvi, napori za poboljšanje stope uspjeha i skraćivanje rokova tijekom ove faze su ključni. AI se smatra obećavajućim rješenjem, koje nudi potencijal za pojednostavljenje procesa i poboljšanje kvalitete kandidata za lijekove prije nego što uđu u klinička ispitivanja.
Ovaj proces uključuje pregled ogromnih knjižnica molekularnih entiteta protiv specifičnih ciljeva bolesti, kao što su proteini, kako bi se identificirali molekuli koji se mogu učinkovito vezivati. Tradicionalno se to činio fizičkim pregledom, što je i vrijeme i intenzivno korištenje resursa. Međutim, umjetna inteligencija omogućuje prelazak na predviđajući dizajn, omogućujući istraživačima da generišu kandidate za lijekove od nule i simuliraju njihove interakcije s ciljevima bolesti prije nego što investiraju u opsežna istraživanja i razvoj.
Korišćenjem umjetne inteligencije, farmaceutske tvrtke više nisu ograničene ograničenjima fizičkog pregleda. Umjesto toga, mogu istražiti širi spektar molekularnih mogućnosti i eliminirati kandidate koji su ispod standarda u ranom procesu, čime se štedi vrijeme i resursi. Ovaj napredak doveo je do povećane potražnje za laboratorijskim sustavima visokog prosjeka koji su sposobni potvrditi i karakterizirati mnoge spojeve proizvedene umjetnom inteligencijom koji sada ulaze u cjevovod. Unatoč tim dobitcima, ostaju izazovi. Trenutni modeli umjetne inteligencije se bore da točno predviđaju kinetička svojstva ili razvojnost novih spojeva. Kao rezultat toga, svaki kandidat za umjetnu inteligenciju koji je dizajniran i dalje mora proći rigoroznu laboratorijsku validaciju.
Tradicionalni tokovi rada za provjeru, dizajnirani za prepoznavanje uspjeha u velikom razmjeru, slabo su opremljeni za rješavanje složenosti modernih kandidata generiranih umjetnom inteligencijom. Ovi tokovi rada često se oslanjaju na binarne ili na pragovima temeljene tehnike, što daje podatke niske vjerodostojnosti koji ne mogu uhvatiti nijansirane karakteristike naprednih kandidata za lijekove.
Belcher ističe da ovi skupovi podataka često ističu samo pozitivne rezultate, izostavljajući brojne neuspjele eksperimente koji su ključni za obuku robusnih modela.
S stalnim napretkom u tehnologiji umjetne inteligencije i sve većim naglaskom na integritetu podataka, farmaceutska industrija spremna je napraviti značajne korake u potrazi za učinkovitijim i učinkovitijim razvojem lijekova.
1 izvještaja
MIT Technology ReviewNeovisanSredinaČinjenice 75Objektivnost 80jučerFarmaceutska industrija suočava se s rastućim troškovima i rizicima u otkrivanju lijekova, s troškovima razvoja novih lijekova koji se udvostručuju otprilike svakih devet godina od 1950-ih, trend poznat kao Eroomov zakon. Donošenje novog lijeka na tržište sada traje 10-15 godina i košta između milijardu i 2,5 milijardi dolara, s više od 90% stope neuspjeha. Umjetna inteligencija (AI) se sve više usvaja kako bi se poboljšale stope uspjeća i smanjili rokovi omogućavajući bržu identifikaciju, testiranje i optimizaciju kemijskih spojeva. Tvrtke poput Cytive koriste AI za dizajniranje kandidata za lijekove od nule, predviđajući njihove interakcije s ciljevima bolesti prije fizičkog testiranja. Iako AI poboljšava učinkovitost u identifikaciji pogodaka, ostaju izazovi u točnom predviđanju kinetike spojeva i deoperabilnosti, što zahtijeva kontinuirano validno laboratorijsko testiranje.
Procjena pristranosti (Sredina): Članak raspravlja o tehnološkom napretku u otkrivanju lijekova i njihovim implikacijama za farmaceutsku industriju.
Zašto činjenice (75): The article discusses AI's role in drug discovery, citing Eroom's Law and statistics on drug development costs and timelines. It references Paul Belcher and his views on AI's benefits. While these facts align with general knowledge in the field, they do not directly reference the primary source docu
Zašto objektivnost (80): The tone remains professional and informative, discussing the benefits of AI in drug discovery without overt bias. However, it presents the perspective of industry professionals rather than offering a balanced view of both advantages and limitations of AI in this context.
★
Neka vijesti ostanu poštene.
ObjectiveNews financiraju čitatelji i bez oglasa je – pristranost vam pokazujemo, ne skrivamo. Podržite neovisno novinarstvo za 5 €/mjesec.
Postani podupiratelj
United States
