Jak sztuczna inteligencja rewolucjonizuje projektowanie leków biologicznych w AstraZeneca

Podczas gdy generatywna sztuczna inteligencja (AI) przyciąga uwagę opinii publicznej, inny rodzaj AI rewolucjonizuje proces odkrywania leków. Modele uczenia maszynowego pomagają skrócić wieloletnie harmonogramy i rozwiązywać problemy, które wcześniej wydawały się niemożliwe do pokonania. Projektowanie i rozwój nowego leku to kosztowne i obarczone wysokim ryzykiem niepowodzenia wyzwanie naukowe. Opracowanie nowego leku może trwać wiele lat i wymagać znacznych inwestycji, a większość potencjalnych kandydatów nigdy nie trafia do pacjentów. W przypadku leków biologicznych, czyli terapii wytwarzanych z inżynierowanych białek, a nie z chemii syntetycznej, złożoność jest jeszcze większa.

AI przyspiesza procesy badawczo-rozwojowe

Naukowcy badają ogromne ilości możliwych cząsteczek w poszukiwaniu tych nielicznych, które zwiążą się z odpowiednim celem, pozostaną stabilne w ludzkim ciele i będą możliwe do wyprodukowania na dużą skalę. Obecnie sztuczna inteligencja przyspiesza te procesy i szybko stała się kluczowym elementem infrastruktury w farmaceutycznych badaniach i rozwoju (R&D).

Projektowanie wspomagane AI jest coraz ważniejszą częścią rozwoju kandydatów na leki biologiczne, a firmy takie jak AstraZeneca aktywnie rozbudowują swoje zespoły inżynierskie, aby jeszcze bardziej posunąć ten proces. Puja Sapra, starsza wiceprezes i szefowa inżynierii biologicznej R&D oraz ukierunkowanego odkrywania onkologicznego w AstraZeneca, podkreśla, że „wszystko, co robimy, czy to projektowanie, wytwarzanie, testowanie czy analizowanie, jest teraz wzmocnione obliczeniowo”. Dodaje, że „cykle skracają się, podczas gdy produktywność i innowacyjność rosną”.

Metoda AstraZeneca opiera się na pętli „buduj-mierz-ucz się”. AI generuje lub priorytetyzuje kandydatów na cząsteczki obliczeniowo, przewidując, które projekty mają największe szanse na sukces. Naukowcy koncentrują zasoby laboratoryjne tylko na najwyżej ocenianych kandydatach. Prowadzi to do szybszego cyklu informacji zwrotnej z mniejszą liczbą ślepych zaułków, szybszą iteracją i możliwością atakowania celów chorobowych, które wcześniej uważano za nieuleczalne. Ponieważ liczba możliwych kombinacji molekularnych znacznie przekracza to, co jakikolwiek zespół ludzki może systematycznie zbadać, wykorzystanie AI do zawężania i udoskonalania opcji testowania stało się głównym celem w projektowaniu leków biologicznych.

Nowe klasy leków i „nieuleczalne” choroby

Poza przyspieszaniem harmonogramów, AI jest również stosowana do odkrywania zupełnie nowych klas leków. Tradycyjne leki biologiczne zazwyczaj celują w jedną ścieżkę chorobową. Następna generacja leków może uderzać w wiele celów jednocześnie lub precyzyjnie dostarczać ładunki terapeutyczne do określonych komórek. Osiągnięcie tego wymaga optymalizacji wielu zmiennych jednocześnie. Patrząc w przyszłość, modele oparte na AI mogą pomóc w projektowaniu tych coraz bardziej złożonych, wielospecyficznych leków biologicznych, wyjaśnia Puja Sapra. „Na przykład takie modele mogłyby pomóc zidentyfikować, które dwa lub trzy cele priorytetyzować na podstawie podstawowej biologii, a następnie zoptymalizować wiele parametrów, aby zrównoważyć siłę działania, stabilność, możliwość produkcji i bezpieczeństwo cząsteczki” – mówi Sapra. „Leczenie tego, co było nieuleczalne, staje się rzeczywistością. Te technologie ostatecznie umożliwią nam opracowywanie leków przeciwko celom, które kiedyś uważano za niemożliwe do osiągnięcia. Potencjalne korzyści dla pacjentów są niezwykłe.”

Firma McKinsey szacuje, że generatywna AI, w połączeniu z innymi narzędziami obliczeniowymi, może skrócić czas odkrywania leków nawet o 50%. Jednak każdy model AI jest tylko tak dobry, jak dane, na których jest trenowany. W odkrywaniu leków oznacza to obfite ilości wysokiej jakości danych biologicznych. Eksperymenty mogą stanowić bogate źródło takich danych. Niezależnie od tego, czy kończą się sukcesem, czy porażką, każdy eksperyment generuje sygnał o tym, co działa, a co nie.

Dane jako kluczowy wyróżnik i „laboratorium przyszłości”

„Dane są naszym wyróżnikiem” – mówi Sapra, wyjaśniając, że firmowe zbiory danych są zastrzeżone i multimodalne, obejmując struktury molekularne, pomiary wiązania, profile bezpieczeństwa i wyniki produkcji. „Zbudowaliśmy celowo zróżnicowane portfolio w wielu obszarach chorobowych i typach leków. Wszystkie te dane umożliwiają nam precyzyjne dostrajanie najnowocześniejszych modeli AI za pomocą bogatszych, bardziej reprezentatywnych zestawów treningowych.” Dodaje, że firma zainwestowała również w zaawansowane technologie przesiewowe, aby generować dodatkowe zestawy danych w dużych ilościach, niezbędne do ciągłego udoskonalania i walidacji modeli.

Aby zebrać wszystkie te dane w jednym miejscu, AstraZeneca buduje „laboratorium przyszłości” w Kendall Square w Cambridge, Massachusetts, gdzie AI i automatyka robotyczna będą mogły tworzyć ciągły, zamknięty system odkrywania. „Podobnie jak samochód autonomiczny wykorzystuje czujniki i modele do nawigacji w swoim środowisku, ten system wykorzystuje AI do przewidywania, systemy robotyczne do wykonywania eksperymentów i instrumenty do generowania danych” – wyjaśnia Sapra. Dane te są bezpośrednio wprowadzane z powrotem do modeli, przyspieszając każdy kolejny cykl.

Sapra podkreśla, że naukowcy pozostaną centralnym elementem procesu, zapewniając nadzór, osąd i strategiczne kierownictwo, które gwarantują, że wyniki są zrozumiałe, tolerowane i ukierunkowane na potencjalne korzyści dla pacjentów. Docelowo, zautomatyzowane systemy o wysokiej przepustowości będą w stanie wykonywać i oceniać tysiące interakcji molekularnych tygodniowo. „To wygeneruje dane gotowe do AI w skali, której tradycyjne przepływy pracy nie są w stanie dorównać” – mówi Sapra. „Robotyka w obsłudze próbek, zautomatyzowane kontrole jakości i zintegrowane potoki danych mają również potencjał do znacznego przyspieszenia wczesnych etapów rozwoju leków.”

Wizja przyszłości: projektowanie de novo

Ostateczną wizją dla AI w odkrywaniu leków biologicznych jest to, co w branży nazywa się projektowaniem de novo. Celem jest, aby AI generowała zupełnie nowe sekwencje białek, które precyzyjnie odpowiadają pożądanym właściwościom leku. Obejmuje to projektowanie struktury, przewidywanie bezpieczeństwa, zachowania w organizmie i możliwości produkcji.

„Dziedzina czyni duże postępy w kierunku całkowicie generowanego przez AI leku biologicznego, zaprojektowanego od podstaw aż do kandydata klinicznego” – mówi Sapra. „Wierzę, że to nastąpi. To kwestia czasu.”

Do osiągnięcia tego punktu potrzebne są jednak trzy kluczowe elementy:

• Bogatsze i bardziej znormalizowane dane treningowe w całej branży.
• Solidne kryteria oceny dla kandydatów generowanych przez AI.
• Zespoły, które potrafią pracować na styku uczenia maszynowego i biologii.

Spośród wszystkich tych warunków wstępnych, przewidywanie bezpieczeństwa może być najbardziej istotne i być może najmniej dyskutowane, zauważa Sapra. AstraZeneca rozwiązuje ten problem za pomocą wirtualnych badań klinicznych, czyli zaawansowanych systemów komórkowych i modeli organów w mikroskali, które funkcjonują jako fizyczne platformy testowe, połączone z AI uczącą się z ich wyników.

Obecnie obserwujemy przejście w kierunku agentowych systemów AI, które mogą jednocześnie generować kandydatów na cząsteczki i przewidywać ich skuteczność i bezpieczeństwo. Te autonomiczne procesy pracy mogą łączyć spostrzeżenia na poziomie choroby bezpośrednio z projektowaniem cząsteczek, wypełniając luki między wcześniej oddzielonymi silosami danych. „Złożoność biologii idzie w parze z projektowaniem cząsteczki” – podsumowuje Sapra.

Transformacja w biologii to nie tylko technologia. „W przypadku bardziej autonomicznych systemów, nadzór człowieka pozostaje sercem tego podejścia – zapewniając zrozumiałą i etyczną AI dla dobra pacjentów” – mówi Sapra. Naukowcy będą współpracować z tymi systemami modelowymi, testując cząsteczki i łącząc dane. Dzięki temu procesowi ludzkich kontroli, równowagi i osądów, modele będą ewoluować i stale się poprawiać, ostatecznie z potencjałem korzyści dla pacjentów.

Inżynierowie projektujący i budujący efektywne systemy gotowe do współpracy człowiek-AI muszą zapewnić wysoki poziom przejrzystości i wyjaśnialności modeli. Zespoły inżynierskie AstraZeneca obejmują naukowców danych, specjalistów ds. automatyzacji i inżynierów AI, którzy rozwijają systemy działające jako „partnerzy do myślenia”, a nie czarne skrzynki. „Inżynierowie projektują systemy, które generują, walidują i uczą się z dużą prędkością. A problemy są naprawdę trudne: fuzja danych multimodalnych, optymalizacja w zamkniętej pętli, kwantyfikacja niepewności i interpretowalność w punkcie podejmowania decyzji klinicznych” – dodaje Sapra.

Podjęcie tak wymagających technicznie wyzwań daje inżynierom i naukowcom możliwość przyczynienia się do badań i rozwoju potencjalnie zmieniających życie terapii dla wielu chorób. „Leki biologiczne, które możemy opracować dzisiaj, i te, które zaprojektujemy jutro, zależą od połączenia światowej klasy talentu AI i inżynierskiego z głęboką wiedzą naukową” – podsumowuje Sapra. Inwestycje w zaawansowane technologie i współpracę między różnymi dziedzinami nauki są kluczowe dla przyszłości medycyny, otwierając drogę do innowacyjnych terapii i poprawy jakości życia pacjentów na całym świecie.

Źródło: technologyreview.com