Жанна-Франсуаза Уильямсон Д.Фил, генеральный директор Williamson Biotech Solutions и Pablo Lubroth, Кембриджский университет, MPhil Bioscience Enterprise

Успех персонализированной медицины зависит от способности идентифицировать подгруппы пациентов, что возможно только при использовании точных диагностических тестов на основе биомаркеров. Учитывая огромное количество данных по геномике, протеомике или метаболомике, определение эффективных биомаркеров является сложной задачей. Собираются большие объемы данных отдельных пациентов Omics, но, к сожалению, биоинформатикам не хватает сложных инструментов для извлечения информации из данных. Подходы к большим вычислениям, такие как машинное обучение, искусственный интеллект (ИИ) и нейронные сети, все еще находятся в зачаточном состоянии в фармацевтическом секторе, но с учетом того, что несколько компаний, занимающихся искусственным интеллектом, переписывают код для открытия лекарств, последствия в здравоохранении, вероятно, будут далеко идущими в ближайшем будущем. годы. В частности, недавно созданные стартапы предлагают беспрецедентные решения с использованием машинного обучения и искусственного интеллекта.

На бурно развивающемся рынке биомаркеров, который охватывает как диагностику, так и разработку лекарств, по данным AngelList, насчитывается 173 компании в области биоинформатики, из которых только 15 находятся в Европе. Британская компания BenevolentAI является одним из лидеров в использовании ИИ для эффективной диагностики заболеваний и разработки лекарств. Компания была основана в 2013 году с мыслью о том, что процесс открытия лекарств требует полной перестройки. Их миссия заключалась в том, чтобы изменить отрасль здравоохранения и биотехнологии, к которой они обратились, используя сети знаний, чтобы сократить время и стоимость разработки лекарств и найти новые молекулярные мишени.

Недавно система BenvolentAI была успешно использована для идентификации биомаркеров при боковом амиотрофическом склерозе (БАС). Сначала они просмотрели миллиарды предложений и абзацев из миллионов научных статей и рефератов. Затем они начали связывать прямые отношения между данными и преобразовать данные в «известные факты». Затем компания курировала эти известные факты и разработала ряд гипотез в соответствии с определенными критериями. Затем научные группы BenevolentAI оценили обоснованность этих гипотез и пришли к 20 сортированным биомаркерам, которые, по их мнению, заслуживают дальнейшего изучения. Из этого компания сократила до пяти лучших соединений, которые они протестировали на клетках пациентов с БАС. Клинические испытания планируется начать позже в этом году. Поскольку некоторые из препаратов, протестированных BenevolentAI, уже находятся в разработке, время выхода хитов на рынок может сократиться.

Подход BenevolentAI уникален, поскольку он использует данные из научных статей и рефератов для установления связей и закономерностей — аспект, который фармацевтические компании, возможно, еще не использовали. Поэтому неудивительно, что Janssen, компания J&J, заключила эксклюзивное лицензионное соглашение с BenevolentAI в отношении препаратов-кандидатов на клинической стадии. Как объяснил Кен Малвани, председатель BenevolentAI, «данные [из научных статей] могут показать, что белок активирует определенный ген, который не имеет прямого отношения, что побуждает исследователей искать лекарства в совершенно другой области». Вот как BenevolentAI может находить новые цели с помощью интеллектуального анализа данных.

В США компания AtomWise, основанная в 2012 году, предлагает несколько иное ценностное предложение. Они разработали AtomNet, «первую технологию глубокого обучения для открытия новых малых молекул», которая может предсказывать биологическую активность малых молекул препаратов. С помощью этого запатентованного алгоритма компания AtomWise провела скрининг 8,2 млн молекул и обнаружила ингибитор белка для лечения рассеянного склероза, который удовлетворял всем требованиям, предъявляемым к его целевому профилю продукта: «пенетрант, проникающий через гематоэнцефалический барьер, перорально доступный и высокоэффективный в животные». В другом примере алгоритм AtomNet обнаружил лекарство, ранее не обладавшее противовирусными свойствами, которое блокировало инфекционность лихорадки Эбола среди штаммов из разных эпидемий. Получив такие результаты, AtomWise смогла стать партнером крупных корпораций, таких как Merck и IBM, и впоследствии привлечь 6 миллионов долларов начального финансирования для улучшения и развития своего алгоритма. Несомненно, можно представить себе, как открытие лекарств может выглядеть в будущем, когда ИИ станет неотъемлемой частью фармацевтической промышленности.

В настоящее время тысячи молекул-кандидатов проверяются с помощью таких новых подходов, и, несомненно, эта стратегия произведет революцию в том, как фармацевтические компании проводят скрининг. Во-первых, это значительно сократит время выхода на рынок. Во-вторых, в результате это также значительно сократит затраты на разработку лекарств. Например, в 2014 году Управление по санитарному надзору за качеством пищевых продуктов и медикаментов подсчитало, что всего лишь 10-процентное улучшение способности предсказывать неудачи лекарств до клинических испытаний может сэкономить 100 миллионов долларов на затратах на разработку каждого лекарства. Ожидается, что с помощью этого метода предсказуемость значительно повысится. В-третьих, после выявления перспективного кандидата ИИ можно использовать для улучшения клинических испытаний, начиная с дизайна и заканчивая анализом данных.

Компьютерный дизайн лекарств (CADD) существует с 80-х годов, особенно в фармацевтическом секторе, где он был интегрирован в процесс разработки лекарств. Хотя это способствовало открытию современных лекарств, оно не устранило необходимости в биологических данных и, конечно же, не произвело революцию в процессе открытия лекарств. Подходы к вычислениям больших данных, такие как ИИ, могут сделать это, но им необходимо решить пару проблем, таких как шум в наборах данных, которые замедляют процесс обучения данных. Другая проблема заключается в том, чтобы научиться справляться со сложностью и изменчивостью биологии. Как только эти препятствия будут преодолены, сложные процессы добычи, вероятно, повысят индивидуализацию лекарств, снизив стоимость разработки лекарств и решив две основные проблемы в здравоохранении. На данном этапе успех зависит от более широкого внедрения этих новых методов открытия лекарств в крупных биотехнологических и фармацевтических компаниях, а также от разработки нового программного обеспечения для интеллектуального анализа данных и анализа больших данных.

Впервые появилось в http://www.appliedclinicaltrialsonline.com/can-we-predict-drug-efficacy-artificial-intelligence

Изображение из AtomWise