Hogyan működik a gyógyszerkutatás mesterséges intelligenciával – A céltól a klinikai vizsgálatokig

A több billió dolláros szűk keresztmetszet

Egy új gyógyszer kifejlesztése régóta az egyik legdrágább és leginkább kudarcra ítélt vállalkozás a tudományban. Átlagosan 10-15 évbe és körülbelül 2,8 milliárd dollárba kerül, mire egyetlen gyógyszer az első ötlettől a gyógyszertári polcra kerül. A klinikai vizsgálatokba kerülő jelölteknek csak körülbelül egytizede kap valaha is hatósági jóváhagyást. A többiek megbuknak – gyakran a folyamat késői szakaszában, évekig tartó befektetés után.

A mesterséges intelligencia most a szűk keresztmetszetet támadja minden szakaszban. Több mint 200, mesterséges intelligencia által létrehozott gyógyszer került klinikai fejlesztésbe, szemben a 2016-os mindössze hárommal. Íme, hogyan működik valójában a technológia, hol hoz eredményeket, és mi áll még az útjában.

Hogyan működik a folyamat

Célpont azonosítása

Minden gyógyszer egy biológiai célponttal kezdődik – általában egy betegségben szerepet játszó fehérjével. Hagyományosan a kutatók éveket töltenek azzal, hogy genomikai adatokat és laboratóriumi kísérleteket szitálnak át, hogy találjanak egyet, amelyet érdemes követni. A gépi tanulási modellek felgyorsítják ezt azáltal, hogy hatalmas génexpressziós, fehérje-interakciós és betegadat-készleteket elemeznek, hogy hetek, nem pedig évek alatt ígéretes célpontokat jelöljenek ki.

Vegyesület tervezése és szűrése

Miután kiválasztottak egy célpontot, a tudósoknak szükségük van egy molekulára, amely pontosan a megfelelő módon kötődik hozzá. A hagyományos megközelítés magában foglalja a kémiai könyvtárakból származó meglévő vegyületek millióinak szűrését – ez egy lassú, költséges folyamat. A generatív MI megfordítja ezt a paradigmát: ahelyett, hogy azt tesztelné, ami már létezik, teljesen új molekulákat tervez a semmiből, optimalizálva azokat olyan tulajdonságokra, mint a kötési szilárdság, az oldhatóság és az alacsony toxicitás, mielőtt egyetlen kémcsövet is megérintenének.

Vezető optimalizálása és tulajdonságok előrejelzése

Az ígéretes jelölteket – úgynevezett „vezetőket” – finomítani kell. A MI-modellek előrejelzik a kulcsfontosságú jellemzőket, például azt, hogy egy molekula hogyan fog viselkedni a szervezetben, okoz-e mellékhatásokat, és milyen könnyen gyártható. Ezek az előrejelzések lehetővé teszik a kutatók számára, hogy korán eldobhassák a gyenge jelölteket, és az erőforrásokat a legéletképesebb lehetőségekre összpontosítsák, ami a preklinikai költségeket becslések szerint 25-50 százalékkal csökkenti.

Klinikai vizsgálatok tervezése

A MI a vizsgálatokat is átalakítja. Az algoritmusok segítenek azonosítani a megfelelő betegpopulációkat, előrejelzik az optimális adagolást, és gyorsabban jelzik a biztonsági jeleket, mint a hagyományos megfigyelés. Az eredmény rövidebb, olcsóbb és nagyobb valószínűséggel egyértelmű válaszokat adó vizsgálatok.

Valós eredmények

A számok feltűnőek. A MI által felfedezett gyógyszerek az I. fázisú vizsgálatokban 80-90 százalékos sikerességi arányt érnek el, szemben a hagyományos módon felfedezett vegyületek 40-65 százalékával, az iparági elemzések szerint. A felfedezéstől a klinikáig tartó idővonal a történelmi átlagos négy-hat évről egyes esetekben akár 18 hónapra is lerövidült.

A legkiemelkedőbb példa az Insilico Medicine rentosertibje, az idiopátiás pulmonális fibrózis kezelésére. Mind a betegség célpontját, mind a gyógyszermolekulát generatív MI azonosította, és a vegyület kevesebb mint 30 hónap alatt elérte a II. fázisú vizsgálatokat. A IIa. fázis eredményei, a Nature Medicine-ben megjelent, a tüdőfunkció jelentős javulását mutatták a placebóhoz képest.

Eközben a Recursion Pharmaceuticals MI-vezérelt programokat futtat egyszerre több tucat betegségre, és az olyan vállalatok, mint az Amgen és a Moderna speciális MI-modelleket – köztük az OpenAI újonnan bevezetett GPT-Rosalindját – integrálnak kutatási munkafolyamataikba.

Mi áll még az útjában

Minden ígéret ellenére jelentős akadályok maradnak. Egyetlen MI által tervezett gyógyszer sem fejezett még be III. fázisú vizsgálatot, és nem kapott teljes hatósági jóváhagyást. Több elemző is körülbelül 60 százalékos valószínűségre becsüli, hogy az első ilyen jóváhagyás 2027-re megérkezik, de ez a mérföldkő még nem bizonyított.

Az adatok minősége egy másik kihívást jelent. A MI-modellek csak annyira jók, mint azok az adatkészletek, amelyekből tanulnak. Ha a képzési adatok bizonyos demográfiai csoportok felé torzítanak, az ebből eredő gyógyszerek kevésbé lehetnek hatékonyak – vagy kevésbé biztonságosak – az alulreprezentált populációk számára. A magánélet védelmével kapcsolatos aggályok is nagyok, mivel a modellek gyakran érzékeny betegadatokhoz való hozzáférést igényelnek.

Vannak biobiztonsági aggályok is. A biológiai adatokon képzett modellek elméletileg visszaélhetők káros kórokozók tervezésére, ami arra készteti az olyan vállalatokat, mint az OpenAI, hogy megbízható hozzáférési programokon keresztül korlátozzák az élettudományi modelljeikhez való hozzáférést, amelyek a képzett kutatószervezetekre korlátozódnak.

Miért fontos ez

A gyógyszeripar világszerte több mint 250 milliárd dollárt költ évente kutatásra és fejlesztésre, mégis a gyógyszerkudarcok aránya továbbra is makacsul magas. Ha a MI megbízhatóan képes lerövidíteni az idővonalakat, csökkenteni a költségeket és javítani a sikerességi arányokat, akkor a hatás messze túlmutat a vállalati mérlegeken. A gyorsabb felfedezés azt jelenti, hogy a ritka betegségekben, antibiotikum-rezisztens fertőzésekben és feltörekvő világjárványokban szenvedő betegek évekkel korábban kaphatnak hatékony kezeléseket, mint a régi rendszer lehetővé tette.

A MI gyógyszerkutatási piaca, amely 2025-ben körülbelül 1,9 milliárd dollárra becsülhető, 2026-ban eléri a 2,6 milliárd dollárt, és évente 27 százalékos ütemben növekszik tovább. Hogy a technológia beváltja-e a legmerészebb ígéreteit, valószínűleg a következő néhány évben derül ki – amikor a MI által tervezett gyógyszerek első hulláma a III. fázisú vizsgálatok és a hatósági felülvizsgálat végső próbájával szembesül.