Szybkie odkrywanie leków dzięki sztucznej inteligencji

13 marca 2024 r. | 4 min

"Powinieneś był zachować tę serwetkę."

Chociaż nie brzmi to jak typowa rada, którą można usłyszeć od swojego menedżera, Karen Madden, dyrektor ds. technologii w dziale Life Science Merck, udzieliła tej wskazówki. To dlatego, że bazgroły na tej serwetce były najwcześniejszymi szkicami nowej platformy do odkrywania leków opartej na sztucznej inteligencji.

Znalezienie obiecującej cząsteczki dla nowej terapii może przypominać szukanie igły w stogu siana. Opcje wydają się nieograniczone, a identyfikacja odpowiednich kandydatów jest żmudnym zadaniem. A gdyby zamiast ręcznie przeszukiwać stóg siana, można było użyć potężnego magnesu lub wykrywacza metali, aby znaleźć tę "igłę" lub cząsteczkę o potencjale podobnym do leku? AIDDISON to magnes i wykrywacz metali w jednym.

AIDDISON to potężna platforma oprogramowania, której celem jest skrócenie tego żmudnego etapu w procesie opracowywania leków. Na długo przed pojawieniem się nowego leku na rynku, rozpoczęciem badań klinicznych lub badań przedklinicznych, jest to tylko pomysł. Zespół identyfikuje konkretny cel, do którego ma dotrzeć przyszły lek, na przykład wadliwe białko, które powoduje problemy u pacjenta. Badacze muszą następnie znaleźć cząsteczkę - lub kilka cząsteczek - która będzie hamować określony cel, taki jak to wadliwe białko.

Przeniesienie nowego leku z laboratorium do łóżka zajmuje często ponad dekadę i ponad dwa miliardy dolarów. Ponad 90% leków zawodzi w badaniach klinicznych. Stracony czas, pieniądze i wysiłek włożony w nieudane przedsięwzięcia związane z nowymi lekami mogą być oszałamiające.

Jeśli na wczesnych etapach opracowywania leków - znanych jako etap odkrywania leków - naukowcy mogą dokładniej identyfikować cząsteczki, które mają szansę odnieść sukces na późniejszych etapach, możliwe jest, że wskaźnik niepowodzeń wynoszący 90% może spaść. Oznacza to, że mniej pieniędzy i czasu zostanie zmarnowanych na kandydatów na leki, które są skazane na niepowodzenie w badaniach klinicznych.

"Kluczem do udanego projektowania leków jest przyjęcie holistycznego podejścia, zwiększenie sukcesu każdego cyklu projektowania i sprawienie, by "każdy strzał się liczył", aby szybciej dostarczać leki pacjentom", mówi Ashwini Ghogare, który żałuje, że nie zapisał serwetki i jest kluczowym graczem we wprowadzaniu platformy do klientów.

Połączenie sił

Koncepcja AIDDISON rozpoczęła się, gdy Ghogare spotkał Daniela Kuhna na konferencji Merck w Burlington w stanie Massachusetts w USA w 2019 roku. Po wysłuchaniu prezentacji Kuhna na temat sposobów, w jakie jego zespół zbudował modele uczenia maszynowego, aby wesprzeć pracę nad odkrywaniem leków, Ghogare podszedł później do stołu i powiedział: "Musimy porozmawiać."

Rozmawiali o wyzwaniach związanych z odkrywaniem leków i wizjach tego, jak mogłyby wyglądać rozwiązania. Wykorzystanie istniejących danych i sztucznej inteligencji - technologii transformacyjnej - znalazło się na szczycie ich rozmów. I tak, chwycili serwetkę, aby zanotować swoje pomysły. W tych wczesnych bazgrołach naszkicowali wczesny projekt interfejsu i przeprowadzili burzę mózgów na temat niektórych procesów.

Kuhn, z drugiej strony, ukończył doktorat z chemii obliczeniowej w grupie zajmującej się projektowaniem leków. Od tego czasu koncentruje się na poprawie odkrywania leków, w tym w swojej roli w dziale opieki zdrowotnej Merck. Jest zaangażowany w poszukiwanie nowych środków terapeutycznych i leków dla pacjentów przy użyciu technologii modelowania predykcyjnego i generatywnego.

Ich głębokie doświadczenie w odkrywaniu leków, w połączeniu z wiedzą specjalistyczną w zakresie oprogramowania i rozwoju platform, okazało się idealnym połączeniem. Poza ich różnymi, ale uzupełniającymi się środowiskami, jeszcze jeden kluczowy element pomógł w rozwoju współpracy.

Built From Scratch

Lata przed spotkaniem tej pary w Burlington, Kuhn tworzył narzędzia, aby pomóc swojemu zespołowi w branży opieki zdrowotnej Merck w szybszym znajdowaniu lepszych kandydatów na leki.

Aby zbudować modele, Kuhn musiał użyć dużego zbioru danych. Takiego, który zawierałby szczegółowe informacje na temat tego, w jaki sposób różne cząsteczki spełniały lub nie spełniały oczekiwań we wczesnych eksperymentach. Na szczęście jego koledzy z działu opieki zdrowotnej Merck skrupulatnie przechowywali dane przez dziesięciolecia. Te bogate dane eksperymentalne okazały się kluczowe dla rozwoju modeli i ostatecznie stanowią ogromny krok naprzód dla AIDDISON.

Kiedy Kuhn podzielił się swoją innowacją na szczycie w Burlington, Ghogare natychmiast dostrzegł siłę modeli i wiedział, że będą one miały wartość dla twórców leków spoza firmy.

Kuhn i Ghogare zaskoczyli samych siebie szybkim postępem. Dzięki silnym partnerstwom i zespołom, od pierwszej rozmowy do publicznego uruchomienia platformy minęły nieco ponad dwa lata.

Dla Kuhna dużą częścią atrakcyjności komercjalizacji narzędzia było uczynienie przestrzeni odkrywania leków bardziej dostępną dla mniejszych zespołów, które rzadko mają dostęp do dużych wewnętrznych zbiorów danych do tworzenia własnych modeli. Im więcej umysłów pracuje nad nowymi rozwiązaniami terapeutycznymi, tym lepiej dla pacjentów.

"Modele nie zawsze mają rację, ale ludzie też nie" - mówi Kuhn. "Dobrze zaprojektowane modele, takie jak te w AIDDISON, są podstawą do przyspieszenia odkrywania leków poprzez znajdowanie i ustalanie priorytetów cząsteczek o dobrych właściwościach i pomaganie naukowcom w podejmowaniu lepszych decyzji."

AIDDISON pomaga zespołom różnej wielkości szybciej identyfikować najlepszych kandydatów na cząsteczki i zmniejsza jeden punkt bólu w podróży odkrywania leków.

O AIDDISON

Wykorzystując ponad 20 lat danych z badań farmaceutycznych, Platforma AIDDISON™ oparta na sztucznej inteligencji łączy w sobie projektowanie generatywne, przewidywanie i modelowanie 3D w gotowym rozwiązaniu do przyspieszonego odkrywania leków.

• Generuj pomysły dzięki szybkiemu przesiewaniu in silico rozległych chemicznych baz danych i projektowaniu de novo.

• Optymalizuj wyniki pod kątem możliwości syntezy i właściwości ADMET za pomocą rzeczywistych modeli ML.

• Oceń i ustal priorytety trafień dzięki zaawansowanej wizualizacji danych i narzędziom wiązania molekularnego.