Pharma IT

Come l'IA sta rivoluzionando la scoperta e lo sviluppo di farmaci

L'IA può trasformare notevolmente il processo di sviluppo dei farmaci.

Di Michael Bani

Director, Editor (US & Europe)

5 giu 20248 min di lettura

Come l'IA sta rivoluzionando la scoperta e lo sviluppo di farmaci

Scoperta e sviluppo di farmaci hanno sempre rappresentato processi impegnativi perché richiedono grandi budget e tempi estesi. Di conseguenza, la crescita delle aziende farmaceutiche dipende direttamente dai loro bilanci di R&S. Tuttavia, considerando il recente boom nell'intelligenza artificiale (AI), non sarebbe sbagliato supporre che l'AI possa svolgere un ruolo significativo nel rivoluzionare il processo di scoperta e sviluppo dei farmaci.

L'AI offre i vantaggi di accelerare i tempi di scoperta dei farmaci, migliorare la progettazione degli studi clinici, l'assicurazione della qualità, il riposizionamento dei farmaci e l'analisi delle combinazioni farmacologiche. Pertanto, l'AI può trasformare considerevolmente il processo di sviluppo dei farmaci.

In che modo l'AI sta trasformando il processo di R&S?

Cominciamo con il capire come funziona un tipico processo di R&S farmaceutica: innanzitutto, i ricercatori esaminano pazienti o organismi per identificare molecole target, per esempio una proteina associata a una specifica malattia. Successivamente, i ricercatori eseguono uno screening approfondito di librerie molecolari per individuare molecole che possano legarsi a questi target. Poi, queste molecole identificate vengono sottoposte a test approfonditi per trasformarle in potenziali candidati. Infine, questi candidati affrontano test di laboratorio, test sugli animali e studi clinici prima di essere commercializzati.

Sebbene sia stato semplificato, il processo di R&S farmaceutica è piuttosto impegnativo e le scoperte rivoluzionarie nella scoperta di farmaci sono rare. In generale, il processo di R&S farmaceutica può durare da poche settimane fino a decenni. L'AI può svolgere un ruolo significativo nel modificare questi tempi:

Fonte

Identificazione dei target

L'AI può essere utilizzata per identificare molecole target e molecole leganti. L'AI può essere molto più veloce nell'identificare queste molecole rispetto a un ricercatore medio. Algoritmi di machine learning possono essere utilizzati per prevedere proteine, geni e meccanismi coinvolti in specifiche malattie.

Ottimizzazione dei lead

L'AI può essere utilizzata per identificare potenziali molecole che possano influenzare direttamente gli organismi causa della malattia (es. batteri, funghi, microrganismi, ecc.), proteine, geni e mutazioni. Modelli AI possono anche essere utilizzati per comprendere o prevedere l'efficacia di queste molecole prima dei test di laboratorio effettivi.

Rilevamento dei fallimenti preclinici

Algoritmi di AI possono essere usati per prevedere la potenziale tossicità di formulazioni e molecole nelle prime fasi di sviluppo, il che può aiutare a evitare fallimenti in fase avanzata. Gli algoritmi di AI possono analizzare le strutture molecolari e i meccanismi per identificare la tossicità.

Studio clinico accelerato

I modelli AI possono essere utilizzati per snellire il processo di reclutamento dei pazienti. I dati dei pazienti possono essere inseriti in questi modelli, che possono poi identificare i candidati appropriati per lo studio clinico. Questo può semplificare il processo di reclutamento e selezione dei pazienti, assicurando che l'intero processo avvenga senza bias.

Questi sono solo alcuni dei ruoli che l'AI può svolgere nella scoperta e sviluppo di farmaci. In definitiva, il ruolo dell'AI nella scoperta di farmaci dipende dalla tecnologia scelta. Attualmente esistono molte tecnologie basate su AI, ma eccone le più diffuse.

Tecnologie AI nella scoperta di farmaci: principali tecnologie potenziate dall'AI utilizzate nella scoperta di farmaci

Machine e deep learning

Gli algoritmi ML possono essere utilizzati per analizzare set di dati e prevedere l'attività biologica dei composti. I modelli DL come convolutional neural networks (CNN) and recurrent neural networks (RNN) può essere utilizzato per identificare tendenze e relazioni tra set di dati.

Modelli QSAR

Modelli di relazione struttura-attività quantitativa (QSAR) possono essere usati per prevedere l'attività dei composti in base alle loro strutture. I modelli QSAR potenziati dall'ML possono essere utilizzati su set di dati più grandi con strutture complesse.

Modelli NLP

Fonte

Elaborazione del linguaggio naturale (NLP) i modelli possono essere utilizzati per condurre rassegne della letteratura. Questi modelli possono analizzare brevetti, report di studi clinici e studi pubblicati per trovare informazioni rilevanti. Ciò consente di comprimere il processo di revisione della letteratura in un periodo breve, integrando in modo completo i dati provenienti da più fonti.

Chimica computazionale

Attualmente, la chimica computazionale viene ampiamente utilizzata per prevedere strutture perché fa risparmiare tempo e consente previsioni strutturali accurate. Questi algoritmi permettono ai ricercatori di esplorare le interazioni molecolari e le proprietà dei legami a livello atomico.

Simulazioni MD

Simulazioni di dinamica molecolare (MD) sono un'altra tecnologia potenziata dall'IA che viene sempre più utilizzata nel processo di R&S farmaceutico. Le simulazioni MD consentono ai ricercatori di prevedere il cambiamento del comportamento delle molecole nel tempo. Ad esempio, le simulazioni MD possono essere utilizzate per prevedere la variazione del comportamento molecolare quando la molecola è esposta a stimoli specifici.

Ecco sei aziende che attualmente utilizzano tecnologie potenziate dall'IA per ottenere progressi nella scoperta di farmaci:

Antidote offre una piattaforma potenziata dall'IA che mette in contatto pazienti e ricercatori medici.
Atomwise riduce il costo dello sviluppo dei farmaci usando i loro supercomputer, che prevedono quali medicine potrebbero funzionare utilizzando il loro database.
Turbine.AI individua il miglior farmaco per un tumore target e identifica biomarcatori del tumore. Identifica anche terapie combinate per il tumore.
Row Analytics fornisce una piattaforma che utilizza IA e analisi dei dati per considerare molteplici varianti genetiche per varie malattie.
Deep Genomics sta usando DL per decodificare il significato dei genomi.
Insilico Medicine mira a integrare l'IA in tutto il processo di scoperta dei farmaci e degli studi clinici.

Tuttavia, nonostante questi progressi, l'IA è ancora in una fase iniziale e deve affrontare sfide.

Sfide che l'IA affronta nella scoperta di farmaci

Privacy dei dati e requisiti normativi

Le tecnologie potenziate dall'IA dipendono fortemente dai dati. Tuttavia, le leggi sui dati a livello globale stanno diventando sempre più stringenti, e le aziende farmaceutiche devono conformarsi rigorosamente a tali leggi, il che può rendere difficile fare affidamento sull'IA.

Scarsa qualità dei dati

Fonte

L'IA può fornire soluzioni solo quando dispone di un set di dati ampio e di alta qualità. Tuttavia, i dati affidabili nella scoperta di farmaci sono scarsi e i dati disponibili sono di scarsa qualità. Per alimentare l'IA nella scoperta di farmaci, è necessario migliorare la qualità e la quantità dei dati disponibili.

Alti costi

Sebbene l'IA possa aiutare a risparmiare tempo e ridurre i costi durante lo sviluppo dei farmaci, l'implementazione delle tecnologie IA non è economica. Le aziende devono assumere personale specializzato con competenze tecniche per addestrare i modelli. Spesso questo può risultare altrettanto costoso.

Mancanza di standardizzazione

Sebbene la maggior parte delle aziende farmaceutiche segua protocolli e abbia metodi consolidati di raccolta dei dati, questi non sono standardizzati tra diverse aziende, paesi e regioni. Ad esempio, una domanda di indagine comune è “Quanto fa male X?” I pazienti devono scegliere tra una scala da 1 a 10. Tuttavia, non esistono definizioni standardizzate di questi numeri, il che significa che anche se i dati vengono raccolti da tutte le aziende, non è possibile confrontarli.

Conclusione

L'IA può cambiare in meglio il panorama dello sviluppo dei farmaci. Come evidenziato nell'articolo, le tecnologie potenziate dall'IA possono accelerare l'oneroso e dispendioso in termini di tempo processo di sviluppo dei farmaci che la maggior parte dei team di R&S deve affrontare. Ciò ridurrà notevolmente i tempi e i costi di sviluppo per le aziende farmaceutiche.

Varie tecnologie potenziate dall'IA possono essere integrate per migliorare la scoperta di farmaci; tuttavia, questa integrazione può creare sfide perché la maggior parte di queste tecnologie è ancora in una fase iniziale e richiede ulteriore sviluppo. Tuttavia, come dimostrano i dati, l'IA ha un enorme potenziale nello sviluppo e nella scoperta di farmaci.

Domande frequenti

L'IA può essere utilizzata dopo la scoperta di un farmaco?

Sì, l'IA può anche essere integrata in sistemi di monitoraggio come gli smartwatch per identificare rapidamente potenziali problemi di sicurezza. Di conseguenza, è possibile intervenire dal punto di vista medico al momento opportuno.

L'IA può ridurre il costo del processo di R&S farmaceutica?

Sì! L'IA può essere utilizzata per velocizzare alcune fasi del processo di R&S farmaceutica. A sua volta, questo ridurrà la manodopera necessaria per completare tali fasi, diminuendo il costo complessivo del processo.

L'IA può essere usata per le interazioni tra farmaci?

L'IA può essere utilizzata per prevedere le interazioni tra farmaci. Ciò permetterà alle aziende farmaceutiche di includere avvertenze appropriate con i loro prodotti. Inoltre, gli HCP possono essere avvisati di non prescrivere questi prodotti contemporaneamente.