Pharma IT

Wie KI die Entdeckung und Entwicklung von Arzneimitteln revolutioniert

KI kann den Arzneimittelentwicklungsprozess erheblich verändern.

Von Michael Bani

Director, Editor (US & Europe)

5. Juni 20246 Min. Lesezeit

Wie KI die Entdeckung und Entwicklung von Arzneimitteln revolutioniert

Wirkstoffforschung und -entwicklung haben schon immer herausfordernde Prozesse dargestellt, da sie große Budgets und lange Zeitrahmen erfordern. Folglich hängt das Wachstum von Pharmaunternehmen direkt von deren F&E-Budgets ab. Angesichts des jüngsten Booms in künstliche Intelligenz (KI), wäre es jedoch nicht falsch anzunehmen, dass AI eine bedeutende Rolle bei der Revolutionierung des Wirkstoffforschungs- und -entwicklungsprozesses spielen kann.

AI bietet die Vorteile von verkürzten Zeitrahmen für die Wirkstoffforschung, verbesserter Studiendesigns, Qualitätssicherung, Wirkstoff-Repurposing und Analyse von Wirkstoffkombinationen. Daher kann AI den Wirkstoffentwicklungsprozess.

Wie verwandelt AI den F&E-Prozess?

Verstehen wir zunächst, wie ein typischer Pharma-F&E-Prozess funktioniert: Zuerst screenen Forschende Patienten oder Organismen, um Zielmoleküle zu identifizieren, beispielsweise ein Protein, das mit einer bestimmten Krankheit assoziiert ist. Dann durchforsten Forschende gründlich molekulare Bibliotheken, um Moleküle zu finden, die an diese Zielmoleküle binden könnten. Anschließend werden diese identifizierten Moleküle eingehend getestet, um sie in potenzielle Kandidaten zu überführen. Schließlich durchlaufen diese Kandidaten Labortests, Tierversuche und klinische Studien, bevor sie auf den Markt kommen.

Das wurde vereinfacht dargestellt, aber der Pharma-F&E-Prozess ist ziemlich herausfordernd und Durchbrüche in der Wirkstoffforschung sind selten. Allgemein kann der Pharma-F&E-Prozess von wenigen Wochen bis zu mehreren Jahrzehnten dauern. AI kann eine bedeutende Rolle dabei spielen, diese Zeitrahmen zu verändern:

Quelle

Identifizierung von Zielstrukturen

AI kann verwendet werden, um Zielmoleküle und Bindungsmoleküle zu identifizieren. AI kann bei der Identifizierung dieser Moleküle deutlich schneller sein als ein durchschnittlicher Forschender. Machine-Learning-Algorithmen können verwendet werden, um Proteine, Gene und Mechanismen vorherzusagen, die an bestimmten Krankheiten beteiligt sind.

Lead-Optimierung

AI kann eingesetzt werden, um potenzielle Moleküle zu identifizieren, die direkt auf krankheitsverursachende Organismen (z. B. Bakterien, Pilze, Mikroorganismen usw.), Proteine, Gene und Mutationen einwirken könnten. KI-Modelle können auch genutzt werden, um die Wirksamkeit dieser Moleküle vor tatsächlichen Labortests zu verstehen oder vorherzusagen.

Erkennung präklinischer Fehlentwicklungen

KI-Algorithmen können verwendet werden, um die potenzielle Toxizität von Formulierungen und Molekülen früh im Entwicklungsstadium vorherzusagen, was dazu beitragen kann, Ausfälle in späten Phasen zu vermeiden. AI-Algorithmen können Molekülstrukturen und Mechanismen analysieren, um Toxizität zu identifizieren.

Beschleunigte klinische Studien

AI models können verwendet werden, um den Patientenrekrutierungsprozess zu optimieren. Patientendaten können in diese Modelle eingegeben werden, die dann geeignete Kandidaten für die klinische Studie identifizieren können. Dies kann den Rekrutierungs- und Auswahlprozess vereinfachen und sicherstellen, dass der gesamte Prozess ohne Bias abläuft.

Dies sind nur einige der Rollen, die AI in der Wirkstoffforschung und -entwicklung spielen kann. Letztlich hängt die Rolle von AI in der Wirkstoffforschung von der gewählten Technologie ab. Derzeit gibt es viele AI-gestützte Technologien, hier sind jedoch die bekanntesten.

AI-Technologien in der Wirkstoffforschung: Wichtige AI-gestützte Technologien, die in der Wirkstoffforschung verwendet werden

Machine und Deep Learning

ML-Algorithmen können verwendet werden, um Datensätze zu analysieren und die biologische Aktivität von Verbindungen vorherzusagen. DL-Modelle wie Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs) kann verwendet werden, um Trends und Zusammenhänge zwischen Datensätzen zu identifizieren.

QSAR-Modelle

Quantitative Struktur-Aktivitäts-Beziehungsmodelle (QSAR) können verwendet werden, um die Aktivität von Verbindungen anhand ihrer Strukturen vorherzusagen. ML-verbesserte QSAR-Modelle können für größere Datensätze mit komplexen Strukturen eingesetzt werden.

NLP-Modelle

Quelle

Verarbeitung natürlicher Sprache (NLP) Modelle können verwendet werden, um Literaturrecherchen durchzuführen. Diese Modelle können Patente, klinische Studienberichte und veröffentlichte Studien analysieren, um relevante Informationen zu finden. Dadurch lässt sich der umfangreiche Literaturüberprüfungsprozess in einen kurzen Zeitraum pressen, wobei Daten aus mehreren Quellen umfassend integriert werden.

Computational Chemistry

Derzeit wird computergestützte Chemie weit verbreitet zur Strukturvorhersage eingesetzt, da es Zeit spart und genaue Strukturvorhersagen ermöglicht. Diese Algorithmen erlauben Forschern, molekulare Wechselwirkungen und Bindungseigenschaften auf atomarer Ebene zu untersuchen.

MD-Simulationen

Molekulardynamik (MD)-Simulationen sind eine weitere KI-gestützte Technologie, die zunehmend im Pharma-F&E-Prozess eingesetzt wird. MD-Simulationen ermöglichen es Forschern, die Veränderung des Verhaltens von Molekülen im Laufe der Zeit vorherzusagen. Zum Beispiel können MD-Simulationen verwendet werden, um die Änderung des molekularen Verhaltens vorherzusagen, wenn das Molekül bestimmten Stimuli ausgesetzt wird.

Hier sind sechs Unternehmen, die derzeit KI-gestützte Technologien für Durchbrüche in der Wirkstoffforschung einsetzen:

Antidote bietet eine KI-gestützte Plattform, auf der Patienten und medizinische Forscher zusammengebracht werden.
Atomwise senkt die Kosten der Wirkstoffentwicklung mithilfe ihrer Supercomputer, die vorhersagen, welche Medikamente wirksam sein könnten, unter Verwendung ihrer Datenbank.
Turbine.AI identifiziert das beste Medikament für einen Zieltumor und erkennt Biomarker des Tumors. Es identifiziert auch Kombinationstherapien für den Tumor.
Row Analytics bietet eine Plattform, die KI und Datenanalyse einsetzt, um mehrere genetische Varianten für verschiedene Krankheiten zu berücksichtigen.
Deep Genomics verwendet DL, um die Bedeutung von Genomen zu entschlüsseln.
Insilico Medicine zielt darauf ab, KI in den gesamten Wirkstoffentdeckungs- und klinischen Studienprozess zu integrieren.

Trotz dieser Fortschritte befindet sich KI jedoch noch in einer frühen Phase und steht weiterhin vor Herausforderungen.

Herausforderungen für KI in der Wirkstoffforschung

Datenschutz und regulatorische Anforderungen

KI-gestützte Technologien sind stark von Daten abhängig. Gleichzeitig werden die globalen Datenschutzgesetze immer strenger, und Pharmaunternehmen müssen diese Gesetze strikt einhalten, was die Nutzung von KI erschweren kann.

Schlechte Datenqualität

Quelle

KI kann nur Lösungen liefern, wenn ein umfangreicher und qualitativ hochwertiger Datensatz verfügbar ist. Zuverlässige Daten in der Wirkstoffforschung sind jedoch knapp, und die verfügbaren Daten sind von schlechter Qualität. Um KI in der Wirkstoffforschung zu fördern, müssen Qualität und Quantität der verfügbaren Daten verbessert werden.

Hohe Kosten

Während KI Zeit sparen und die Kosten während der Wirkstoffentwicklung senken kann, ist die Implementierung von KI-Technologien nicht billig. Unternehmen müssen spezialisiertes Personal mit technischem Fachwissen einstellen, um Modelle zu trainieren. Oft kann dies ebenso kostspielig sein.

Keine Standardisierung

Obwohl die meisten Pharmaunternehmen Protokolle befolgen und etablierte Methoden zur Datenerhebung haben, sind diese nicht zwischen verschiedenen Unternehmen, Ländern und Regionen standardisiert. Zum Beispiel lautet eine häufige Umfragefrage: „Wie stark tut X weh?“ Die Patienten müssen zwischen einer Skala von 1 bis 10 wählen. Es gibt jedoch keine standardisierten Definitionen dieser Zahlen, was bedeutet, dass selbst wenn Daten von allen Unternehmen gesammelt werden, sie nicht vergleichbar sind.

Fazit

KI kann die Landschaft der Wirkstoffentwicklung zum Besseren verändern. Wie im Artikel hervorgehoben, können KI-gestützte Technologien den teuren und zeitaufwändigen Wirkstoffentwicklungsprozess beschleunigen, den die meisten F&E-Teams durchlaufen müssen. Dies wird den Entwicklungszeitraum und die Kosten für Pharmaunternehmen erheblich senken.

Verschiedene KI-gestützte Technologien können integriert werden, um die Wirkstoffforschung zu verbessern; diese Integration kann jedoch Herausforderungen mit sich bringen, da die meisten dieser Technologien noch in einem frühen Stadium sind und weitere Entwicklung benötigen. Dennoch zeigt die Datenlage, dass KI ein großes Potenzial in der Wirkstoffentwicklung und -entdeckung hat.

FAQ

Kann KI nach der Wirkstoffentdeckung eingesetzt werden?

Ja, KI kann auch in Überwachungssysteme wie Smartwatches integriert werden, um potenzielle Sicherheitsbedenken schnell zu erkennen. Folglich können medizinische Interventionen zum richtigen Zeitpunkt erfolgen.

Kann KI die Kosten des Pharma-F&E-Prozesses senken?

Ja! KI kann verwendet werden, um einige Schritte im Pharma-F&E-Prozess zu beschleunigen. Dadurch verringert sich der für diese Schritte benötigte Personalaufwand, was die Gesamtkosten des Prozesses senkt.

Kann KI für Wechselwirkungen zwischen Arzneimitteln eingesetzt werden?

KI kann verwendet werden, um Wechselwirkungen zwischen Arzneimitteln vorherzusagen. Dies ermöglicht Pharmaunternehmen, geeignete Warnhinweise für ihre Produkte aufzunehmen. Darüber hinaus können HCPs ebenfalls gewarnt werden, diese Produkte nicht zusammen zu verordnen.