Den sydkoreanska regeringen inviger ett avancerat projekt som utnyttjar artificiell intelligens (AI) för att påskynda upptäckten av läkemedel. Den 17 mars invigdes det ’K-Melody’ projektteamet officiellt genom en invigningsceremoni. Denna innovativa satsning syftar till att avsevärt minska tiden och kostnaderna för läkemedelsutveckling genom att dra nytta av AI-teknik.
Drivet gemensamt av ministeriet för vetenskap och informationsteknologi samt ministeriet för hälsa och välfärd kommer projektet att investera cirka 34,8 miljarder won under de kommande fem åren. Ett av projektets främsta mål är att skapa en AI-modell kapabel att förutsäga egenskaperna för Absorption, Distribution, Metabolism, Excretion, och Toxicity (ADMET) hos nya läkemedel med hjälp av en federationslärningsmetod.
Tekniken federationslärande som används av K-Melody möjliggör för flera institutioner och företag att träna AI-modeller med sina dataset utan att centralisera data. Resultatet blir ett samarbetsvilligt system som minimerar risken för dataintrång och låter känslig information förbli säker samtidigt som den används effektivt. Denna metod förväntas främja ett samarbetsvilligt AI-driven läkemedelsutvecklingsekosystem som använder data från inhemska läkemedelsföretag.
Regeringen har utsett Kim Hwa-jong, chef för AI Drug Convergence Research Centre vid Korea Pharmaceutical and Bio-Pharma Manufacturers Association, som projektledare. Föreningen har i uppdrag att övervaka genomförandet av olika detaljerade uppgifter, inklusive utvecklingen av de AI-algoritmer som krävs för att identifiera potentiella nya läkemedelsföreningar.
Detaljerade tillkännagivanden för affärsförslag kommer att göras den kommande månaden, med urvalsprocessen för deltagare planerad till juni. Därefter förväntas projekten för det första året kicka igång redan i juli. Kim Hwa-jong betonar vikten av att förbättra icke-klinisk och klinisk provförutsägbarhet för läkemedelskandidater med AI med tanke på de nuvarande begränsningarna på grund av otillräcklig data. Projektet syftar till att utveckla robusta modeller som kan förutsäga en mängd olika utfall, inklusive läkemedels-målinteraktioner, läkemedels-läkemedelsinteraktioner och olika toxiciteter.
Under ceremonin i Seoul uttryckte ledande regeringsrepresentanter sin stora förhoppning om projektet som förväntas bli en framgångsrik berättelse vid skärningspunkten mellan AI och bioteknik och driva framsteg inom landets läkemedelsindustri.
Utmaningar och kontroverser:
– Dataskydd och säkerhet: Medan federationslärande syftar till att skydda data är säkerställande av säkerheten och integriteten av känslig information i AI-drivna projekt en pågående utmaning. Det är avgörande att upprätthålla konfidentialiteten för patient- och proprietära data.
– Regelöverensstämmelse: Att uppnå regelmässig överensstämmelse med AI-algoritmer är komplext. Regler som god laboratoriepraxis (GLP) eller god klinisk praxis (GCP) kanske inte är fullt förberedda för att hantera AI-baserade processer för läkemedelsutveckling.
– Validering och förtroende: Att se till att den vetenskapliga gemenskapen och reglerande organ litar på AI-förutsägelserna kräver omfattande validering. Att övervinna skepticismen kring användningen av AI inom läkemedelsupptäckten är en pågående utmaning.
– Integration med befintliga system: Att integrera AI i befintliga forsknings- och utvecklingsflöden för läkemedel kan vara utmanande på grund av behovet av nya arbetsflöden och dataformat.
Fördelar och nackdelar:
– Fördelar:
– Snabbhet: AI kan analysera stora datamängder och gå igenom föreändringar av föreningar mycket snabbare än traditionella metoder.
– Resurseffektivitet: Genom att minska tiden och kostnaderna för läkemedelsutveckling kan resurserna allokeras mer effektivt, vilket potentiellt kan leda till mer innovation.
– Personlig medicin: AI har potentialen att underlätta utvecklingen av personliga läkemedel skräddarsydda efter individuella patientprofiler.
– Nackdelar:
– Beroende av datakvalitet: AI-modeller är bara så bra som den data de tränas på. Felaktig eller snedvriden data kan leda till felaktiga förutsägelser.
– Komplexitet: Komplexiteten hos biologiska system kan vara svår att replikera i AI-modeller, vilket kan förenkla läkemedelsupptäcktsprocessen för mycket.
– Jobbavveckling: Användningen av AI inom läkemedelsutvecklingen kan potentiellt leda till jobbavveckling, vilket väcker oro över sysselsättningen inom sektorn.
The source of the article is from the blog exofeed.nl