Ako funguje objavovanie liekov pomocou umelej inteligencie – od cieľa po klinické testovanie

Úzke hrdlo za bilión dolárov

Vývoj nového lieku bol dlho jedným z najdrahších a na zlyhanie najnáchylnejších úsilí vedy. V priemere trvá 10 až 15 rokov a stojí približne 2,8 miliardy dolárov, kým sa jeden liek dostane od prvotného konceptu na pulty lekární. Len približne jeden z desiatich kandidátov, ktorí vstúpia do klinických testov, získa regulačné schválenie. Zvyšok zlyhá – často neskoro v procese, po rokoch investícií.

Umelá inteligencia teraz útočí na toto úzke hrdlo v každej fáze. Viac ako 200 liekov, ktoré vznikli pomocou umelej inteligencie, vstúpilo do klinického vývoja, čo je nárast z iba troch v roku 2016. Tu je návod, ako táto technológia skutočne funguje, kde prináša výsledky a čo jej ešte stojí v ceste.

Ako proces funguje

Identifikácia cieľa

Každý liek začína biologickým cieľom – zvyčajne proteínom zapojeným do ochorenia. Tradične výskumníci trávia roky preosievaním genomických dát a laboratórnych experimentov, aby našli taký, ktorý stojí za to. Modely strojového učenia to urýchľujú analýzou rozsiahlych súborov údajov o génovej expresii, interakciách proteínov a záznamoch pacientov, aby označili sľubné ciele v priebehu týždňov namiesto rokov.

Návrh a skríning zlúčenín

Po výbere cieľa vedci potrebujú molekulu, ktorá sa naň naviaže presne správnym spôsobom. Konvenčný prístup zahŕňa skríning miliónov existujúcich zlúčenín z chemických knižníc – čo je pomalý a nákladný proces. Generatívna AI obracia túto paradigmu: namiesto testovania toho, čo už existuje, navrhuje úplne nové molekuly od nuly, optimalizuje ich pre vlastnosti, ako je väzbová sila, rozpustnosť a nízka toxicita, predtým, ako sa dotkne jedinej skúmavky.

Optimalizácia vedúcej látky a predikcia vlastností

Sľubní kandidáti – nazývaní „vedúce látky“ – sa musia vylepšiť. Modely AI predpovedajú kľúčové charakteristiky, ako napríklad to, ako sa bude molekula správať v tele, či spôsobí vedľajšie účinky a ako ľahko sa dá vyrobiť. Tieto predpovede umožňujú výskumníkom včas vyradiť slabých kandidátov a zamerať zdroje na najživotaschopnejšie možnosti, čím sa predklinické náklady znížia odhadom o 25 až 50 percent.

Návrh klinického testovania

AI tiež pretvára samotné testy. Algoritmy pomáhajú identifikovať správne populácie pacientov, predpovedať optimálne dávkovanie a signalizovať bezpečnostné signály rýchlejšie ako tradičné monitorovanie. Výsledkom sú testy, ktoré sú kratšie, lacnejšie a s väčšou pravdepodobnosťou prinesú jasné odpovede.

Výsledky z reálneho sveta

Čísla sú pozoruhodné. Lieky objavené pomocou AI dosahujú 80 až 90 percentnú úspešnosť v testoch fázy I, v porovnaní so 40 až 65 percentami pri konvenčne objavených zlúčeninách, podľa analýz odvetvia. Časový rámec od objavu po kliniku sa skrátil z historického priemeru štyroch až šiestich rokov na iba 18 mesiacov v niektorých prípadoch.

Najvýznamnejším príkladom je rentosertib od spoločnosti Insilico Medicine, liečba idiopatickej pľúcnej fibrózy. Cieľ ochorenia aj molekula lieku boli identifikované generatívnou AI a zlúčenina dosiahla testy fázy II za menej ako 30 mesiacov. Výsledky fázy IIa, publikované v Nature Medicine, preukázali významné zlepšenie funkcie pľúc v porovnaní s placebom.

Medzitým spoločnosť Recursion Pharmaceuticals prevádzkuje programy riadené AI v desiatkach chorôb súčasne a spoločnosti ako Amgen a Moderna integrujú špecializované modely AI – vrátane novo spustenej GPT-Rosalind od OpenAI – do svojich výskumných pracovných postupov.

Čo ešte stojí v ceste

Napriek všetkým sľubom zostávajú významné prekážky. Žiadny liek navrhnutý pomocou AI ešte nedokončil test fázy III a nezískal úplné regulačné schválenie. Viacerí analytici odhadujú približne 60-percentnú pravdepodobnosť, že prvé takéto schválenie príde do roku 2027, ale tento míľnik je stále nepreukázaný.

Kvalita údajov predstavuje ďalšiu výzvu. Modely AI sú len také dobré, ako súbory údajov, z ktorých sa učia. Ak sú tréningové údaje skreslené smerom k určitým demografickým skupinám, výsledné lieky môžu byť menej účinné – alebo menej bezpečné – pre nedostatočne zastúpené populácie. Obavy o súkromie sú tiež veľké, pretože modely často vyžadujú prístup k citlivým informáciám o pacientoch.

Existujú aj obavy o biologickú bezpečnosť. Modely trénované na biologických údajoch by sa teoreticky mohli zneužiť na navrhovanie škodlivých patogénov, čo viedlo spoločnosti ako OpenAI k obmedzeniu prístupu k ich modelom pre biologické vedy prostredníctvom programov dôveryhodného prístupu obmedzených na kvalifikované výskumné organizácie.

Prečo na tom záleží

Farmaceutický priemysel vynakladá ročne viac ako 250 miliárd dolárov na výskum a vývoj na celom svete, no miera zlyhania liekov zostáva tvrdohlavo vysoká. Ak AI dokáže spoľahlivo skrátiť časové rámce, znížiť náklady a zlepšiť úspešnosť, dopad presahuje rámec podnikových súvah. Rýchlejší objav znamená, že pacienti so zriedkavými chorobami, infekciami rezistentnými voči antibiotikám a vznikajúcimi pandémiami by mohli dostať účinnú liečbu o roky skôr, ako to umožňuje starý systém.

Trh s objavovaním liekov pomocou AI, ktorý sa v roku 2025 odhaduje na približne 1,9 miliardy dolárov, by mal v roku 2026 dosiahnuť 2,6 miliardy dolárov a pokračovať v raste ročným tempom 27 percent. Či táto technológia splní svoje najodvážnejšie sľuby, sa pravdepodobne ukáže v priebehu nasledujúcich niekoľkých rokov – keď prvá vlna liekov navrhnutých pomocou AI bude čeliť konečnej skúške testov fázy III a regulačnému preskúmaniu.