AI in Pharmacy: Accelerare la scoperta dei farmaci

Siamo già abituati che una parte del lavoro in ambito sanitario può essere svolta dalle macchine. Si sono dimostrati efficaci nell'aiutare nella diagnostica o nella selezione della linea di trattamento, nonché nella gestione del flusso di documenti. Tuttavia, una volta gettato uno sguardo al di là delle relazioni con i fornitori di assistenza sanitaria, siamo stupiti dalla portata dei problemi e dal potenziale per l'IA di risolverli.

$ 2,5 miliardi e 10 anni di ricerca: questi sono i numeri che descrivono il processo di sviluppo del farmaco. Aggiungete a loro che solo 1 farmaco su 10 avrebbe superato tutte le fasi necessarie e alla fine avrebbe raggiunto il paziente. Il mondo veloce e furioso di oggi non può permettersi né tali spese né un tale lasso di tempo.

È qui che le tecniche di intelligenza artificiale possono aggiungere il massimo valore, rendendo la scoperta del farmaco più rapida, economica ed efficace. Alcuni farmacisti sono ancora scettici, ma la maggior parte degli esperti si aspetta che questi strumenti diventino sempre più importanti. Se i fautori di queste tecniche hanno ragione, l'intelligenza artificiale e l'apprendimento automatico introdurranno un'era di scoperta di farmaci più rapida, economica ed efficace

Ad esempio, McKinsey stima che un migliore processo decisionale, un'innovazione ottimizzata, una maggiore efficienza della ricerca, sperimentazioni cliniche e la creazione di nuovi strumenti con l'aiuto dei big data e dell'apprendimento automatico potrebbero generare fino a $ 100 miliardi in farmaceutica e medicina ogni anno.

L'intelligenza artificiale ha il potenziale per cambiare l'intero processo di scoperta di droghe. Finora, le fasi dello sviluppo del farmaco partendo da un'ipotesi e andando verso il test dei farmaci non sono affatto collegate. Al contrario, dal punto di vista dell'apprendimento automatico, le fasi diventano interconnesse poiché è possibile utilizzare i dati della fase successiva per comprendere cosa accade nella fase precedente o in due fasi precedenti. Inoltre, l'accesso simultaneo a più dati può identificare un segmento quantificabile invece di utilizzare ampi descrittori, come i sintomi della malattia. Con l'apprendimento automatico, i ricercatori possono eseguire una sperimentazione su un pool di pazienti, ricevere risultati diversi e mapparli sulla genetica delle firme molecolari dei pazienti, definendo la malattia su un terreno più solido.

L'intelligenza artificiale è già stata utilizzata con successo in tutte le fasi principali dello sviluppo di farmaci:

· Fase 0. Panoramica della letteratura

· Fase 1: identificazione degli obiettivi di intervento

· Fase 2: scoperta dei candidati alla droga

· Fase 3: accelerare gli studi clinici

· Fase 4: ricerca di biomarcatori per la diagnosi della malattia

Principali fasi dello sviluppo di farmaci

Fase 0 Panoramica della letteratura

C'è un'enorme quantità di ricerche che vengono pubblicate ogni giorno e se potessimo raccogliere le intuizioni di tutti gli studi, possiamo formulare un'ipotesi migliore. Tuttavia, è impossibile per un essere umano leggere tutti gli abstract e gli articoli scientifici, quindi i ricercatori che lavorano nel settore scientifico di solito si concentrano solo su un'area e non leggono altre riviste. Ma queste riviste contengono molti dati rilevanti che possono informare le decisioni nelle aree su cui una persona sta effettuando ricerche. La soluzione è consentire alle macchine di leggere tutta la letteratura, i brevetti e i documenti disponibili e di riunire i dati in un database di fatti che possono essere estratti da questa letteratura. Ciò costituisce la base dell'ipotesi di trovare obiettivi terapeutici per le malattie.

Fase 1: identificazione degli obiettivi di intervento

Il primo passo nello sviluppo di farmaci è comprendere l'origine biologica di una malattia e i suoi meccanismi di resistenza. Per curare una malattia, è fondamentale identificare buoni bersagli, di solito, proteine. L'ampia applicazione di tecniche ad alto rendimento, come lo screening dell'RNA (shRNA) a forcina corta e il sequenziamento profondo, ha aumentato la quantità di dati disponibili per scoprire percorsi target praticabili. Tuttavia, è ancora una sfida integrare l'alto numero e la varietà di fonti di dati e quindi trovare i modelli pertinenti. Gli algoritmi di machine learning sono noti per essere utili in tali compiti e possono gestire tutti i dati disponibili per prevedere automaticamente buone proteine ​​target.

Fase 2: scoperta dei candidati alla droga

Con gli obiettivi identificati, i ricercatori iniziano a cercare un composto in grado di interagire con la molecola bersaglio identificata nel modo desiderato. Ciò comporta lo screening di migliaia e milioni di potenziali composti naturali, sintetici e di bioingegneria per il loro effetto sul bersaglio e i loro effetti collaterali. Gli algoritmi di Machine Learning possono prevedere l'idoneità di una molecola basata su impronte digitali strutturali e descrittori molecolari, diffondere milioni di potenziali molecole e filtrarle fino alle migliori opzioni con effetti collaterali minimi.

Fase 3: studi clinici più rapidi

La chiave per il successo delle prove è una selezione accurata di candidati idonei, perché la scelta sbagliata comporta un prolungamento delle prove e una perdita di tempo e risorse. L'apprendimento automatico può accelerare la progettazione di studi clinici identificando automaticamente i candidati idonei e garantendo che i partecipanti allo studio siano distribuiti correttamente tra i gruppi. Gli algoritmi ML sono in grado di identificare modelli che potrebbero predire buoni candidati. Inoltre, possono informare i ricercatori che una sperimentazione clinica non sta producendo risultati conclusivi in ​​modo che i ricercatori possano intervenire prima e potenzialmente salvare lo sviluppo del farmaco.

Fase 4: identificazione dei biomarcatori per la diagnosi della malattia

Infine, puoi trattare i pazienti per una malattia solo quando sei sicuro della tua diagnosi. I biomarcatori sono molecole presenti nei fluidi corporei come il sangue che forniscono la certezza assoluta se un paziente ha o meno una malattia. Rendono il processo di diagnosi di una malattia sicuro ed economico. Possono anche essere utilizzati per individuare la progressione della malattia, rendendo più facile per i medici scegliere il trattamento corretto e monitorare se il farmaco funziona.

Tuttavia, scoprire i biomarcatori comporta lo screening di decine di migliaia di potenziali candidati molecole. Ancora una volta, l'IA può automatizzare e accelerare il processo. Gli algoritmi classificano le molecole in candidati buoni e cattivi e il ricercatore può concentrarsi sull'analisi solo delle migliori prospettive.

I biomarcatori possono identificare:

· Biomarcatore diagnostico: la presenza di una malattia il più presto possibile

· Biomarcatore di rischio: il rischio che un paziente sviluppi la malattia

· Biomarcatore prognostico: il probabile progresso di una malattia

· Biomarcatore predittivo: se un paziente risponderà a un farmaco

Tipi di biomarcatori

Anche se l'ampia applicazione dell'IA è ancora nella sua fanteria, ci sono molti esempi del suo uso da parte delle compagnie farmaceutiche. Ad esempio, il gigante farmaceutico Merck & Co sta lavorando a un progetto che utilizza la tecnologia di apprendimento profondo per la scoperta di nuove piccole molecole. Pfizer ha avviato una collaborazione con IBM Watson per la ricerca sulla scoperta di farmaci immuno-oncologici. I ricercatori della società di biotecnologie con sede nel Massachusetts Berg hanno sviluppato un modello per identificare i meccanismi del cancro precedentemente sconosciuti utilizzando test su oltre 1.000 campioni di cellule umane cancerose e sane.

Questo cambiamento suggerisce che l'industria non solo si è svegliata, ma sta attivamente abbracciando i benefici dell'apprendimento automatico per identificare e selezionare i farmaci, prevedere con maggiore precisione i candidati e, in definitiva, ridurre i costi e gli sforzi di ricerca e sviluppo.

In che modo l'IA cambierà il futuro degli esperti umani?

Man mano che vengono pubblicati ulteriori studi e si tengono discussioni sul futuro dell'IA in medicina, emergono lati distinti dell'argomento. Il consenso generale è che mentre le attività di routine e la raccolta / immissione di dati dovrebbero essere eseguite dalle macchine, ci sarà sempre la necessità dell'elemento umano del ruolo del curatore, nel giudizio, nella creatività e nell'empatia o altri fattori umani che la moderna tecnologia non può fornire .

Come curatori, gli umani risolveranno il problema e lasceranno che algoritmi o robot lo risolvano. Saranno su misura e indirizzeranno specifici composti, sintomi, malattie o altri piuttosto che problemi casuali o minuti solo per il gusto di farlo. Inoltre, gli esperti umani forniranno l'approvazione attraverso le diverse fasi di test o esplorando ulteriori opzioni basate su risultati basati su un contesto che i robot potrebbero non capire.

In conclusione, il futuro sta nella cooperazione tra uomo e macchina e gli esperti clinici umani dovranno adattarsi, apprendere e crescere insieme ai progressi tecnologici. Sebbene i futuri specialisti dovranno essere sia esperti medici che informatici, per la medicina si tratta di evoluzione, non di estinzione.