Zapiranje podatkovne zanke pri odkrivanju zdravil, ki jih vodi AI

Farmacevtska industrija se sooča z naraščajočim pritiskom, da pospeši odkrivanje zdravil, hkrati pa zmanjša stroške in izboljša stopnjo uspešnosti. Ob tradicionalnih metodah, ki se izkažejo za počasne in drage, se umetna inteligenca (AI) pojavlja kot ključno orodje za preoblikovanje procesa. Po nedavnih poročilih se stroški razvoja novih zdravil od petdesetih let skoraj podvojijo vsakih devet let, trend, znan kot Eroomov zakon. 5 milijard, celoten proces pa običajno traja od 10 do 15 let, s stopnjo neuspeha, ki presega 90%.

Paul Belcher, direktor za strategijo raziskav proteinov pri Cytivi, ugotavlja, da je glavno finančno breme pri razvoju zdravil v klinični fazi. Zato so prizadevanja za izboljšanje stopnje uspešnosti in skrajšanje časovnih okvirov v tej fazi ključnega pomena. AI se obravnava kot obetavna rešitev, ki ponuja potencial za racionalizacijo procesov in izboljšanje kakovosti kandidatnih zdravil, še preden vstopijo v klinične preskuse.

Ta proces vključuje pregledovanje obsežnih knjižnic molekularnih entitet proti specifičnim ciljem bolezni, kot so beljakovine, da se identificirajo molekule, ki se lahko učinkovito vežejo.

Z uporabo umetne inteligence farmacevtske družbe niso več omejene z omejitvami fizičnega pregledovanja. Namesto tega lahko raziskujejo širši spekter molekularnih možnosti in odpravljajo kandidate, ki niso primerni, že v začetku procesa, s čimer prihranijo čas in vire. Ta napredek je privedel do povečanega povpraševanja po laboratorijskih sistemih z visoko zmogljivostjo, ki so sposobni potrditi in opisati številne spojine, ki jih ustvari umetna inteligenca, ki zdaj vstopajo v cevovod. Kljub tem dobitkom ostajajo izzivi.

Tradicionalni tokovi dela, namenjeni za prepoznavanje uspešnih testov v obsegu, so slabo opremljeni za obvladovanje zapletenosti sodobnih kandidatov, ustvarjenih z umetno inteligenco. Ti tokovi dela se pogosto zanašajo na binarne ali na pragu temelječe tehnike, kar daje nizke verodostojnosti podatkov, ki ne ujamejo niansiranih značilnosti naprednih kandidatov za zdravila.

Belcher poudarja, da te zbirke podatkov pogosto poudarjajo le pozitivne rezultate, ki izpuščajo številne neuspešne poskuse, ki so bistvene za usposabljanje robustnih modelov.

Z nenehnimi napredki v tehnologiji umetne inteligence in naraščajočim poudarkom na celovitosti podatkov je farmacevtska industrija pripravljena narediti pomembne korake v svojem prizadevanju za bolj učinkovit in učinkovit razvoj zdravil.