Otkriće lijekova je visoko rizičan i skup proces koji se suočava s rastućim pritiscima na tržištu. Od 1950-ih, troškovi razvoja novih farmaceutskih proizvoda udvostručuju se otprilike svake devet godine. Danas, u prosjeku, dovođenje novog lijeka na tržište traje između 10 i 15 godina i košta između 1 i 2,5 milijardi dolara, s stopama neuspjeha većim od 90%. Umjetna inteligencija (AI) postala je najveća nada farmaceutske industrije za povećanje uspješnosti i smanjenje vremena potrebnog za razvoj. Što brže farmaceutske tvrtke mogu identificirati, testirati i optimizirati nove kemijske spojeve, to je manji rizik od skupih neuspjeha kasnije u razvoju.
“Glavni trošak u otkriću lijekova i dalje ostaje klinička faza, pa je smanjenje rizika i povećanje uspješnosti u toj fazi od velike koristi,” kaže Paul Belcher, direktor strategije istraživanja proteina u globalnoj biološkoj tvrtki Cytiva. “AI je jedan od pristupa koji farmaceutske tvrtke nadaju da će ne samo uštedjeti vrijeme i skratiti rokove, već i omogućiti da kvalitetniji kandidati dođu do klinike.”
Rana primjena AI u otkriću lijekova pokazuje potencijal, ali također ističe potrebu za robusnim i autentičnim podacima, kao i integracijom u laboratorijske sustave. Jedna od najprominentnijih primjena AI u otkriću lijekova je identifikacija pogodnih spojeva. Ovaj proces uključuje pregledavanje knjižnica molekularnih entiteta u odnosu na ciljeve povezane s bolestima, kao što su proteini, kako bi se pronašle molekuli koji se na njih vežu.
Belcher primjećuje pomak od empirijskog pretraživanja ka prediktivnom dizajnu: umjesto fizičkog pretraživanja knjižnica, farmaceutske tvrtke sada koriste AI za dizajniranje kandidata za lijekove od nule i predviđanje kako će oni interagirati s ciljevima bolesti prije nego što se upuste u istraživanje i razvoj. To omogućava tvrtkama da nisu više ograničene fizičkim pretraživanjem.
Međutim, ono što AI još ne može učiniti je pouzdano predvidjeti kinetiku ili razvijanje novih spojeva, što znači da svaki AI-generirani kandidat još uvijek treba biti validiran u laboratoriju. Tradicionalni radni procesi identifikacije pogodnih spojeva nisu dizajnirani za dubinsku analizu velikog broja složenih kandidata, što stavlja pritisak na laboratorijske timove.
AI također zahtijeva kvalitetne i cjelovite podatke. Mnogi raniji AI modeli obučavani su na javno dostupnim skupovima podataka, ali sada se suočavaju s problemom nedostatka raznolikosti i strukture. “Većina javno dostupnih skupova podataka fokusira se isključivo na pozitivne rezultate,” napominje Belcher. “Nitko ne želi dijeliti svoje neuspjehe.”
Belcher vjeruje da bi podaci o neuspjelim eksperimentima značajno poboljšali modele, ali su frustrirajuće teški za pribaviti. “Oftentimes se šale da bi trebala postojati publikacija o negativnim podacima,” dodaje. “Oni su često zakopani u laboratorijskim bilješkama i nikada se ne koriste za vođenje budućih istraživanja.”
