Cómo la IA está evitando el objetivo de drogas más desafiante de la droga

Comentario de invitados-Para millones de pacientes, la desaceleración del descubrimiento del medicamento significa, a veces sin décadas, sin un tratamiento efectivo. Muchas enfermedades permanecen sin tratar, no porque sean raras o desconocidas, sino porque sus objetivos biológicos son muy difíciles para la medicina.

Sin embargo, el descubrimiento de drogas está lleno de desafíos, con niveles notables altos, aproximadamente el 90% de los candidatos a los medicamentos no alcanzan la aprobación en ensayos clínicos.¹ Muchas fallas se consideran "no albergables"; Estas son a menudo proteínas con estructuras flexibles de transferencia de tamaño o superficies poco profundas que causan una deficiencia de bolsillo de unión estable requerida para los medicamentos tradicionales de moléculas pequeñas.² Los dos objetivos de drogas vitamantes pero desafiantes se representan debido al canal iónico y a los receptores acoplados a la proteína G (GPCR) su estructura molecular compleja y su unión difícil de la rueda. Los iones son diferentes del funcionamiento del GPCR, ya que los poros de la membrana del canal que facilita directamente el flujo de iones en respuesta a los estímulos, lo que permite señales eléctricas rápidas.

A pesar de su participación establecida en muchas enfermedades, los 227 GPCR estimados no se ven afectados. Estos desafíos con la orientación de drogas aumentan los costos de investigación y desarrollo, a menudo más de $ 1-2 mil millones y los nuevos medicamentos exitosos trabajan durante una década según los nuevos medicamentos.³ - y dejar a los pacientes sin tratamiento efectivo para enfermedades, cuyos principales impulsores moleculares no son naturales.

Los métodos de novelas de inteligencia artificial genérica (Genai) han surgido como una herramienta prometedora para ayudar a lidiar con estos obstáculos (ver más abajo). Sin embargo, el entusiasmo debe ser templado: las soluciones transmitidas por IA pueden ser incorrectas. Las alucinaciones de IA son reacciones incorrectas o falsas generadas por los modelos de inteligencia artificial, especialmente los modelos de idiomas grandes (LLM) y los sistemas Genai. Esto generalmente es causado por errores o límites en el conjunto de datos original que conduce a la salida incorrecta.

Los datos de alta calidad son primordiales para superar esto. Sin un conjunto de datos sólido y funcional, incluso los modelos más avanzados corren el riesgo de producción de salidas increíbles. Por lo tanto, garantizar la integridad y la verificación de los datos es importante para traducir la visión de IA en tratamientos seguros y efectivos.⁴

Genai: un nuevo enfoque para el descubrimiento de drogas

Genai está explicando cómo se contacta el descubrimiento de la droga a gran escala. En lugar de confiar en un diseño de prueba y troncal de alta tensión completamente tradicional o un diseño basado en la estructura, los modelos operados con AI pueden generar y refinar candidatos moleculares más efectivos con velocidad y precisión sin precedentes. Al analizar el conjunto de datos gigante, el Genai predice interacciones de unión, optimiza las principales propiedades farmacocinéticas y ayuda a navegar por el complejo panorama de la seguridad de los medicamentos. Este cambio permite estrategias completamente nuevas para tratar las enfermedades sin las opciones de tratamiento adecuadas.

El descubrimiento de drogas incluye las principales aplicaciones de Genai:

• Adaptación de la molécula:⁵ Se puede utilizar para mejorar la unión de objetivos y/o la especificidad y la solubilidad, la estabilidad, la agregación y otras características del desarrollo.

• De novo Generación de moléculas:⁶ A diferencia del diseño tradicional de fármacos, que a menudo comienzan con andamios químicos conocidos, Genai puede crear estructuras completamente novedosas para adaptarse a objetivos biológicos específicos. Los modelos de defusión, los transformadores, los modelos basados ​​en el flujo y los modelos basados ​​en energía se pueden utilizar para detectar enormes ubicaciones químicas, lo que propone nuevos compuestos con afinidad de unión personalizada, solubilidad y estabilidad.

• Informes de drogas:⁷ La IA puede identificar las moléculas existentes con capacidad terapéutica preidentificada. Al referencia cruzada a los medicamentos conocidos con firmas moleculares relacionadas con la enfermedad, la IA predice señales alternativas, que ofrece un pasaje rentable para nuevos tratamientos.

• Descubrimiento de biomarcadores:⁸ El reconocimiento de patrones con IA analiza datos complejos para resaltar la firma de la progresión de la enfermedad o la respuesta al tratamiento. Esto es importante para avanzar en la terapia precisa y mejorar la estratificación del paciente en ensayos clínicos.

• Apuntar a proteínas desafiantes:⁹ La IA está abriendo nuevas opciones terapéuticas para desafiar las proteínas como GPCR y los canales de iones, que son objetivos de drogas importantes involucrados en muchas enfermedades, pero es conocido por modular. Al diseñar anticuerpos específicos de Eptope que se unen con precisión en las áreas principales, la IA proporciona un éxito potencial para las enfermedades donde los enfoques tradicionales se reducen, la posibilidad de producir candidatos ricos altos con mayores aumentos de tasas de éxito clínico.

Más allá del diseño de la molécula, Genai puede mejorar la eficiencia y la rentabilidad al filtrar candidatos débiles en los primeros días del desarrollo. En lugar de empujar moléculas menos efectivas a través de pruebas de laboratorio costosas, los modelos de IA pueden predecir fallas potenciales antes de alcanzar el pre -de embarazo. Reduce las tasas de atracción de triángulo de datos y reduce la línea de tiempo del descubrimiento de fármacos.¹⁰

Progreso del mundo real

Mientras no hay nadie allí De novo Los medicamentos diseñados por IA que han aprobado las pruebas de fase III y aún están aprobados para su uso, la IA se adopta rápidamente dentro del descubrimiento de drogas y está dando forma a las prácticas de la industria. El equipo de IA está intensificando la selección de compuestos, adaptando las propiedades del fármaco y reproduciendo los tratamientos existentes, trayendo cambios a las aplicaciones del mundo real de las ideas teóricas.

El uso de la búsqueda de IA en medicina incluye las compañías ya exitosas (ver Tabla 1), que recientemente se ha mantenido en un primer paciente. Prueba con el paso 2 HLX-1502Trastorno tumoral raro neurofhbromatosis Una terapia con IA-Discward para Tipo 1Y Benevolentai usó su propiedad Plataforma de IA, para identificar barissitinib, originalmente aprobada para la artritis reumatoide, como un posible tratamiento para el kovid -19,

El contexto del pangenoma incluye 145 genomas de arroz salvaje y cultivado

La IA también se está aplicando tradicionalmente a los objetivos difíciles de arrastrar, especialmente a través de la asociación de drogas con pequeñas empresas de biotecnología especiales de AI-operadas para ayudar a acelerar la búsqueda del medicamento. En los últimos seis meses, ha habido varias asociaciones farmacéuticas-biotech, incluidas Nxera Pharma, que se han asociado con mi compañía, la compañía TakeBio con sede en Cardif, AntreverseS. Diseñe novedoso terapéutico de anticuerpos dirigidos por GPCR usando GenaiOtro ejemplo es Insilico Medicine, que se ha asociado con la biotecnología de Tencia en el proyecto que se centra en usar la IA generativa para la fase de búsqueda temprana de los nuevos tratamientos de enfermedad del SNC, desarrollando inhibidores de moléculas pequeñas desde cero.

Si estos métodos LED A-LED resultan ser efectivos, el efecto puede ser de gran alcance. Los modelos generativos pueden desbloquear nuevos tratamientos para enfermedades importantes como el cáncer, las enfermedades cardíacas y la neurodizonación, donde los tratamientos tradicionales son bajos.

Equilibrar la esperanza con la realidad en busca de la medicina de IA

Si bien Genai tiene la capacidad de reabrir el descubrimiento del medicamento, su éxito depende de la calidad y disponibilidad de los datos. Los modelos de IA se basan en los enormes y diversos conjuntos de datos para generar predicciones significativas, pero los obstáculos de datos crean un gran desafío. Muchos datos del conjunto de datos de biotecnología están cerrados en silos, lo que obliga a los investigadores a copiar el trabajo existente en lugar de la construcción de él. Esta discapacidad ralentiza el progreso y dificulta el impacto potencial de la IA.

Incluso cuando los datos están disponibles públicamente, la calidad y la confiabilidad no están garantizadas. Los prejuicios, los errores y los informes incompletos son comunes, especialmente en los casos en que los resultados positivos se prefieren en los estudios de replicación. En el descubrimiento del fármaco, donde el modelo AI debe separar las interacciones micro -moleculares, estas impurezas pueden causar predicciones engañosas.¹¹

Alta calidad, biológicamente sin un conjunto de datos representativos, el poder futuro de Genai es limitado, lo que aumenta el riesgo de candidatos a fármacos falsos positivos e ineficaces.¹² Como resultado, rígido In vitro Y In vivo La verificación es necesaria para confirmar que los tratamientos diseñados por IA no solo sirven como una predicción, sino que también crean efectos médicos significativos y también carecen de efectos secundarios dañinos.

Científicamente posible

Genai proporciona una vía realista para tratar con todo el paisaje médico y la capacidad de reabrir toda la tubería de búsqueda de drogas, ya objetivos desconocidos. Al diseñar nuevas moléculas, optimizar las características principales e identificar a los primeros candidatos fuertes, acelerar el descubrimiento del fármaco Genai y también ampliar que es científicamente posible.

Sin embargo, el éxito del descubrimiento de la droga impulsada por la IA depende solo de progreso tecnológico solamente. La integridad de los datos debe ser de primer lugar, las moléculas publicadas con AI pueden proceder a través de la verificación experimental y mostrar la eficacia del mundo real. Para lograr esto, los datos requerirán una estrecha cooperación entre los científicos de datos, los medicamentos, los químicos, los biólogos y los expertos regulatorios, asegurando que la visión con IA se traduzca en éxitos clínicamente significativos, los pacientes aún esperan un tratamiento efectivo.

Referencia

1. Sun D, ​​Gao W, Hu H, Zhou S. ¿Por qué el 90% del crecimiento clínico de los medicamentos falla y cómo mejorarlo? Acta Farm Sin B. 2022; 12 (7): 3049-3062. Doi: 10.1016/j.apsb.2022.02.002
2. Spradalin JN, Zhang E, Nomura DK. Restablecimiento del medicamento utilizando plataformas quimoprotómicas. Cuentas de investigación química 2021; 54 (7): 1801–1813. https://doi.org/10.1021/acs.accounts.1c00065
3. Oficina de Presupuesto del Congreso de los Estados Unidos. Investigación y desarrollo en la industria farmacéutica (2021). https://www.cbo.gov/publication/57126
4. Zhavorsonkov A. Precaución con material relacionado con AI en biomedicinaNature Medicine 2023; 29: 532.
5. Cadena Z, Wang X, Chen X, et al. Acelerar el diseño de proteínas terapéuticas con un enfoque computacional hacia la fase clínica. Revista informática y de biotecnología estructural. 2023; (21): 2909–2926. Doi: 10.1016/j.csbj.2023.04.027.
6. Squark MJ, Paniok J, Elofson A (2023). Aplicación de IA genérica en busca de medicinaSpringleink.
7. Cortial L, Montero V, Tourlet S, et al. Inteligencia artificial en renacimiento de drogas para enfermedades raras: una mini revisión. Frente hecho 2024; 11: 14043338 .. doi: 10.3389/fmed.2024.1404338
8. Dana J, Venkatasami A, Saviano A, et al. Imágenes basadas en inteligencia tradicional y artificial para el descubrimiento de biomarcadores en la enfermedad hepática crónica. Hepatole int. 2022; 16 (3): 509-522. Doi: 10.1007/s12072-022-10303-0
9. Chen Z, Rain X, Zhou Y, Huang, N. Buscar la búsqueda de medicamentos basada en la estructura de GPCR más allá del sitio de unión ortósgéricaHLife 2024: 2 (5); 211-226.
10. Blanco-González A, Cabzone A, Seco-González A, et al. Papel de IA en el descubrimiento de drogas: desafíos, oportunidades y estrategias. Pharmaceuticals (Basilea). 2023; 16 (6): 891. 2023 18 de junio Publicado. Doi: 10.3390/ph16060891
11. Kozlov M. 'Publish o Parish' ahora es un juego de cartas, no solo una vida académica. Naturaleza. 2024; 632 (483). Doi: 10.1038/d41586-024-02511-5
12. Instituto de Stanford para la IA de edad humana. (2024). La IA centrada en datos: los modelos de IA solo son buenos como su canal de datos,

Murrat Tunboylu ((Correo electrónico protegido))) El cofundador y CEO de The Antivers, que trabajan en tecnología de diseño de anticuerpos computacionales ubicados en Cardiff, Gales.