AI di Farmasi: Mempercepat Penemuan Obat

Kita sudah terbiasa bahwa sebagian pekerjaan dalam perawatan kesehatan dapat dilakukan oleh mesin. Mereka telah terbukti efektif dalam membantu dengan diagnosa atau pemilihan jalur perawatan, serta dengan manajemen aliran dokumen. Namun, begitu kami melirik ke luar hubungan pasien-penyedia layanan kesehatan, kami kagum dengan skala masalah dan potensi AI untuk menyelesaikannya.

$ 2.5b dan 10 tahun penelitian - ini adalah angka yang menggambarkan proses pengembangan obat. Tambahkan kepada mereka bahwa hanya 1 dari 10 obat yang akan melewati semua tahap yang diperlukan dan akhirnya mencapai pasien. Dunia yang cepat dan beringas saat ini tidak mampu mengeluarkan biaya atau kerangka waktu seperti itu.

Di sinilah teknik AI dapat menambah nilai, membuat penemuan obat lebih cepat, lebih murah dan lebih efektif. Beberapa apoteker masih ragu, tetapi sebagian besar ahli berharap alat ini menjadi semakin penting. Jika para pendukung teknik ini benar, AI dan pembelajaran mesin akan mengantar era penemuan obat yang lebih cepat, lebih murah, dan lebih efektif.

Misalnya, McKinsey memperkirakan bahwa pengambilan keputusan yang lebih baik, inovasi yang dioptimalkan, peningkatan efisiensi penelitian, uji klinis, dan pembuatan alat baru dengan bantuan big data dan pembelajaran mesin dapat menghasilkan hingga $ 100b dalam bidang farmasi dan kedokteran setiap tahun.

AI memiliki potensi untuk mengubah seluruh proses penemuan obat. Sejauh ini, tahap pengembangan obat mulai dari hipotesis dan menuju pengujian obat tidak terhubung sama sekali. Sebaliknya, dari perspektif pembelajaran mesin, tahapan menjadi saling berhubungan karena Anda dapat menggunakan data dari tahap berikutnya untuk memahami apa yang terjadi pada tahap sebelumnya atau dua tahap sebelumnya. Selain itu, akses simultan ke banyak data dapat mengidentifikasi segmen yang dapat dikuantifikasi daripada menggunakan deskriptor luas, seperti gejala penyakit. Dengan pembelajaran mesin, para peneliti dapat melakukan percobaan pada sekelompok pasien, menerima hasil yang berbeda dan memetakannya ke genetika tanda tangan molekuler pasien, mendefinisikan penyakit pada dasar yang lebih kuat.

AI telah berhasil digunakan di semua tahap utama dalam pengembangan obat:

· Tahap 0. Tinjauan literatur

· Tahap 1: Identifikasi target untuk intervensi

· Tahap 2: Menemukan kandidat obat

· Tahap 3: Mempercepat uji klinis

· Tahap 4: Menemukan Biomarker untuk mendiagnosis penyakit

Tahap utama dalam pengembangan obat

Tahap 0 Tinjauan literatur

Ada sejumlah besar penelitian yang dipublikasikan setiap hari dan jika kita bisa menyusun wawasan dari semua penelitian, kita dapat merumuskan hipotesis yang lebih baik. Namun, tidak mungkin bagi manusia untuk membaca semua abstrak dan karya ilmiah, sehingga peneliti yang bekerja di domain ilmiah biasanya hanya fokus pada satu bidang dan tidak membaca jurnal lain. Tetapi jurnal-jurnal ini mengandung banyak data relevan yang dapat menginformasikan keputusan di bidang yang sedang diteliti seseorang. Solusinya adalah membiarkan mesin membaca semua literatur yang tersedia, paten, dan dokumen serta menyatukan data dalam database fakta yang dapat diekstraksi dari literatur ini. Itu membentuk dasar dari hipotesis untuk menemukan target terapi untuk penyakit.

Tahap 1: Identifikasi target untuk intervensi

Langkah pertama dalam pengembangan obat adalah untuk memahami asal biologis suatu penyakit dan mekanisme resistensinya. Untuk mengobati suatu penyakit, penting untuk mengidentifikasi target yang baik, biasanya, protein. Penerapan luas teknik throughput tinggi, seperti skrining hairpin RNA (shRNA) pendek dan pengurutan dalam, telah meningkatkan jumlah data yang tersedia untuk menemukan jalur target yang layak. Namun, masih merupakan tantangan untuk mengintegrasikan jumlah dan variasi sumber data yang tinggi - dan kemudian menemukan pola yang relevan. Algoritma pembelajaran mesin dikenal baik dalam tugas-tugas tersebut dan dapat menangani semua data yang tersedia untuk secara otomatis memprediksi protein target yang baik.

Tahap 2: Penemuan kandidat obat

Dengan target yang diidentifikasi, para peneliti mulai mencari senyawa yang dapat berinteraksi dengan molekul target yang diidentifikasi dengan cara yang diinginkan. Ini melibatkan penyaringan ribuan dan jutaan senyawa alami, sintetis dan bioengineer potensial untuk efeknya pada target dan efek sampingnya. Algoritma Machine Learning dapat memprediksi kesesuaian molekul berdasarkan sidik jari struktural dan deskriptor molekuler, meretas jutaan molekul potensial dan menyaringnya ke pilihan terbaik dengan efek samping minimal.

Tahap 3: Uji klinis lebih cepat

Kunci untuk percobaan yang sukses adalah pemilihan kandidat yang tepat secara akurat, karena memilih yang salah memerlukan perpanjangan uji coba dan pemborosan waktu dan sumber daya. Machine Learning dapat mempercepat desain uji klinis dengan secara otomatis mengidentifikasi kandidat yang sesuai dan memastikan bahwa peserta uji coba didistribusikan di antara kelompok dengan benar. Algoritma ML dapat mengidentifikasi pola yang akan memprediksi kandidat yang baik. Selain itu, mereka dapat memberi tahu para peneliti bahwa uji klinis tidak menghasilkan hasil konklusif sehingga para peneliti dapat melakukan intervensi lebih awal, dan berpotensi menyelamatkan pengembangan obat.

Tahap 4: Identifikasi biomarker untuk mendiagnosis penyakit

Terakhir, Anda hanya dapat merawat pasien untuk suatu penyakit setelah Anda yakin dengan diagnosis Anda. Biomarker adalah molekul yang ditemukan dalam cairan tubuh seperti darah yang memberikan kepastian absolut apakah pasien memiliki penyakit atau tidak. Mereka membuat proses diagnosa penyakit aman dan murah. Mereka juga dapat digunakan untuk menentukan perkembangan penyakit - membuatnya lebih mudah bagi dokter untuk memilih perawatan yang tepat dan memantau apakah obat tersebut bekerja.

Namun, penemuan biomarker melibatkan penyaringan puluhan ribu kandidat molekul potensial. Sekali lagi, AI dapat mengotomatisasi dan mempercepat proses. Algoritma mengklasifikasikan molekul menjadi kandidat yang baik dan buruk - dan peneliti dapat fokus hanya menganalisis prospek terbaik.

Biomarker dapat mengidentifikasi:

· Biomarker diagnostik: Kehadiran penyakit sedini mungkin

· Biomarker risiko: Risiko pasien terserang penyakit

· Biomarker prognostik: Kemungkinan perkembangan suatu penyakit

· Prediktif biomarker: Apakah pasien akan merespons suatu obat

Jenis biomarker

Meskipun aplikasi luas AI masih dalam infanteri, ada beberapa contoh penggunaannya oleh perusahaan farmasi. Sebagai contoh, perusahaan farmasi raksasa Merck & Co sedang mengerjakan proyek yang menggunakan teknologi pembelajaran mendalam untuk penemuan molekul kecil baru. Pfizer telah memulai kolaborasi dengan IBM Watson untuk penelitian penemuan obat immuno-onkologi. Para peneliti di perusahaan bioteknologi yang berbasis di Massachusetts, Berg telah mengembangkan model untuk mengidentifikasi mekanisme kanker yang sebelumnya tidak diketahui menggunakan tes pada lebih dari 1.000 sampel sel manusia yang sehat dan kanker.

Pergeseran ini menunjukkan bahwa industri tidak hanya bangun tetapi juga secara aktif merangkul manfaat pembelajaran mesin untuk mengidentifikasi dan menyaring obat, lebih akurat memprediksi kandidat obat dan, pada akhirnya, memotong biaya dan upaya R&D.

Bagaimana AI akan mengubah masa depan para ahli manusia?

Karena lebih banyak penelitian yang diterbitkan dan diskusi diadakan seputar masa depan AI dalam dunia kedokteran, sisi berbeda dari argumen muncul. Konsensus umum adalah bahwa sementara tugas rutin dan pengumpulan / entri data harus dilakukan oleh mesin, akan selalu ada kebutuhan untuk elemen manusia dari peran kurator, dalam penilaian, kreativitas, dan empati atau faktor manusia lainnya yang tidak dapat disediakan oleh teknologi modern. .

Sebagai kurator, manusia akan mengatur masalah dan membiarkan algoritma atau robot menyelesaikannya. Mereka akan menyesuaikan dan menargetkan senyawa, gejala, penyakit, atau lainnya yang spesifik daripada masalah acak atau kecil hanya demi melakukannya. Selain itu, para ahli manusia akan memberikan persetujuan melalui berbagai fase pengujian atau mengeksplorasi opsi lebih lanjut berdasarkan hasil berdasarkan konteks yang mungkin tidak dipahami oleh bot.

Kesimpulannya, masa depan terletak pada kerja sama antara manusia dan mesin dan ahli klinis manusia harus beradaptasi, belajar dan tumbuh bersama kemajuan teknologi. Meskipun spesialis masa depan perlu ahli medis dan komputer, untuk kedokteran, itu adalah evolusi, bukan kepunahan.