I den utmanande sfären av läkemedelsutveckling, där nio av tio nyutvecklade läkemedel misslyckas under kliniska prövningar, ofta på grund av oväntade biverkningar, framträder en nyartad artificiell intelligens (AI) som en stråle av hopp för både patienter och branschen. Innophore, ett bioteknikföretag med huvudkontor i Graz, Österrike, i samarbete med teknikjätten Nvidia, har lyft fram ett AI-verktyg designat för att upptäcka potentiella läkemedelsbiverkningar i tidigt skede av läkemedelsupptäcktsprocessen.
Proteiner är oumbärliga molekylära maskiner i kroppen, avgörande för hälsa och sjukdomshantering. Insikter i deras molekylära strukturer banar vägen för banbrytande läkemedelsutvecklingsstrategier. Användningen av artificiell intelligens förenklar markant analysen av dessa proteinstrukturer, förbättrar precisionen i identifieringen av läkemedelsmål och förutsäger proteinfunktioner och interaktioner.
För att uppnå detta har Innophore, tillsammans med Nvidia, presenterat en omfattande dataset bestående av tredimensionella modeller av över 40 000 humana proteinstrukturer. Dessa strukturer genererades genom användningen av tre AI-stödda strukturella förutsägelsesverktyg och utgör för närvarande den mest omfattande strukturella dataseten som är tillgänglig för den mänskliga organismen. Christian Gruber, VD för Innophore och forskare vid Universitetet i Graz, framhävde datasetets betydande roll för att underlätta strukturell läkemedelsdesign och förutsägelse av proteinfunktioner.
Forskare kan nu använda denna dataset för att träna AI-modeller på olika uppgifter relaterade till proteinstruktur och funktion, vilket kommer att vara ovärderligt för att designa nya proteiner. David Ruau från Nvidia betonade datasetets roll i identifieringen av över en halv miljon karakteriserade potentiella läkemedelsbindningsplatser. Innophore har redan integrerat detta AI-verktyg i en automatiserad läkemedelsupptäcktpipeline, vilket hjälper till med att sålla bort biverkningar av läkemedelsprodukter. Det används också av ett läkemedelsföretag i USA för läkemedelsutvecklingsändamål.
Grundat 2017 som en spin-off från acib och Universitetet i Graz, är Innophore nu baserat i Graz och San Francisco, Kalifornien, och specialiserar sig inom områdena digital läkemedelsupptäckt och enzymletning genom användningen av 3D-punktmoln, AI och djupinlärning.
Viktiga frågor och svar:
1. Vilka är de nuvarande utmaningarna inom farmaceutisk läkemedelsutveckling?
Den primära utmaningen är den höga misslyckandefrekvensen för nyutvecklade läkemedel under kliniska prövningar på grund av oväntade biverkningar. Processen är också tidskrävande och kostsam.
2. Hur hanterar AI-verktyget utvecklat av Innophore och Nvidia dessa utmaningar?
AI-verktyget assisterar vid tidig upptäckt av potentiella biverkningar genom att analysera en omfattande dataset av humana proteinstrukturer, förbättrar läkemedelsdesign och effektivitetsförutsägelser och minskar risken för misslyckanden i senare utvecklingsstadier.
3. Vilken potentiell påverkan kan detta AI-verktyg ha på läkemedelsbranschen och patienter?
För branschen lovar det att minska kostnaden och tiden som krävs för läkemedelsutveckling och öka framgångsutrymmet. För patienter kan det innebära tillgång till säkrare, mer effektiva behandlingar på kortare tid.
Viktiga utmaningar eller kontroverser:
En av de främsta utmaningarna är att säkerställa att AI-algoritmens noggrannhet och kvaliteten på de förutsägelser den gör. Felaktiga förutsägelser om läkemedelsbiverkningar eller interaktioner kan leda till bakslag om de inte upptäcks förrän senare utvecklingsstadier eller, ännu värre, efter att ett läkemedel har kommit på marknaden. En annan utmaning är integrationen av AI-verktyg med de befintliga arbetsflödena inom läkemedelsföretag, eftersom dessa branscher kan vara motvilliga till förändringar i sina etablerade processer.
Fördelar:
– Tidig upptäckt av biverkningar kan spara kostnader.
– Acceleration av läkemedelsupptäcktsprocessen.
– Hjälp till forskare med en omfattande strukturell dataset som hjälper till vid läkemedelsdesign.
– Potential för att förbättra säkerhetsprofilen för läkemedel före mänskliga försök.
Nackdelar:
– AI-modeller kan ha begränsningar och kräva kontinuerlig träning med högkvalitativa data.
– Oavsiktligt förlita sig på AI kan skugga nödvändig mänsklig medicinsk expertis och granskning.
– Tekniken kan vara sårbar för snedvridningar om träningsdatan inte är tillräckligt mångsidig.
För ytterligare information om AI och läkemedelsupptäckt, besök Innophores webbplats eller för att lära dig om den teknikmaskinvara som används för denna typ av AI, besök Nvidias webbplats.