Zvyšování efektivity a inovací v farmaceutickém průmyslu pomocí AI
Zjistěte, jaký má AI potenciál změnit objevování a vývoj léků, včetně pomoci snížit náklady na vývoj léků a rychleji dostat život zachraňující léčbu k pacientům.
Zrychlení objevování a vývoje léků pomocí AI
Seznamte se s výhodami a výzvami při zavádění AI řešení v celém hodnotovém řetězci farmaceutického průmyslu.
Klíčové poznatky
- Farmaceutický průmysl prochází významnou transformací, kterou umožňuje AI.
- Aby farmaceutické společnosti mohly lépe podporovat zdravotníky a jejich pacienty, musí urychlit procesy objevování a vývoje léků a zároveň kontrolovat rostoucí náklady.
- AI může pomoct v klíčových krocích procesu objevování léků, včetně identifikace proteinů onemocnění a analýzy sloučenin, které budou s těmito proteiny nejúčinněji interagovat.
- AI také zefektivňuje proces vývoje léků tím, že analyzuje obrovské množství dat, identifikuje vzorce a předpovídá výsledky.
- Farmaceutické společnosti, které zavádějí AI, musí překonat výzvy, jako je udržení kvality dat a nalezení pracovníků se správnou kombinací technických a vědeckých dovedností. Přečtěte si, jak agenti AI transformují obchodní operace.
- Při pohledu do budoucna bude farmaceutický průmysl svědkem většího počtu partnerství mezi farmaceutickými a technologickými společnostmi a větších investic do startupů v oblasti zdravotnických technologií a AI.
Rostoucí náklady na nové léky
Způsob, jak zdravotníci léčí pacienty, se rychle mění. Stále častěji využívají personalizované informace o pacientech k lékařským rozhodnutím. Tento přístup, známý jako precizní medicína, je stále běžnější, protože výzkumníci řeší složité zdravotní problémy a farmaceutické firmy se snaží zkrátit čas a snížit náklady na vývoj léků, které zachraňují životy.
Uvedení nového léku na trh je v současné době pro farmaceutické společnosti mimořádně dlouhý a nákladný proces. Podle nedávných dat společnosti Taconic Biosciences zabere vývoj jednoho léku přibližně 2,6 miliardy USD a více než 10 let. A 88 % nových léků, které byly vyvinuty, se nepodaří schválit úřadem FDA.
Dobrou zprávou je, že AI má neuvěřitelný potenciál urychlit proces objevování a vývoje léčiv.
Uvedení nového léku na trh je v současné době pro farmaceutické společnosti mimořádně dlouhý a nákladný proces. Podle nedávných dat společnosti Taconic Biosciences zabere vývoj jednoho léku přibližně 2,6 miliardy USD a více než 10 let. A 88 % nových léků, které byly vyvinuty, se nepodaří schválit úřadem FDA.
Dobrou zprávou je, že AI má neuvěřitelný potenciál urychlit proces objevování a vývoje léčiv.
Jak AI zjednodušuje objevování léků
Prvním krokem při vývoji většiny léků je syntéza sloučeniny, která se dá navázat na cílovou molekulu (obvykle protein) způsobující onemocnění a tu poté upraví. Při hledání té pravé sloučeniny hodnotí vědci tisíce možných kandidátů. Jakmile určí cíl, procházejí pak obrovské knihovny podobných sloučenin a hledají interakci s bílkovinou daného onemocnění.
Dostat se do tohoto bodu momentálně trvá víc než deset let a stojí stovky milionů dolarů. Zdravotnické technologie, které využívají AI a strojové učení (ML), však můžou tento proces zefektivnit a zkrátit tak čas a ušetřit peníze, které farmaceutické firmy potřebují k uvedení nových léků na trh. Tyto technologie například dokážou:
Dostat se do tohoto bodu momentálně trvá víc než deset let a stojí stovky milionů dolarů. Zdravotnické technologie, které využívají AI a strojové učení (ML), však můžou tento proces zefektivnit a zkrátit tak čas a ušetřit peníze, které farmaceutické firmy potřebují k uvedení nových léků na trh. Tyto technologie například dokážou:
Pročesávat knihovny molekul
Knihovny, v nichž se vyhledávají kandidáti na molekuly, jsou tak obrovské, že je téměř nemožné, aby je výzkumníci zkontrolovali sami. AI naopak dokáže v obrovských datových sadách rychle vyhmátnout potenciální cílové sloučeniny a ušetřit tak vědcům stovky hodin v laboratoři.
Předvídat vlastnosti hledané sloučeniny
Tradiční proces hledání nových léků postupuje časově náročnou metodou pokusu a omylu. Řešení zdravotnických technologií v kombinaci s AI a strojovým učením můžou pomoct celý proces urychlit tím, že předpovídají vlastnosti vhodných sloučenin. K syntéze pak lze vybrat jen ty, které jsou utvářeny požadovaným způsobem. Výzkumníci si tak ušetří práci na sloučeninách, které pravděpodobně nebudou účinné.
Vynalézat nové sloučeniny
Když prvotní šetření přinese jen málo slibných výsledků, může AI dokonce přicházet s nápady na zcela nové sloučeniny, které splňují požadované parametry a mají větší šanci na úspěch.
Jak AI pomáhá výzkumníkům
Zvažte, jak můžou výzkumní pracovníci využívat AI řešení k podpoře klíčových kroků procesu objevování léčiv.
Výzkumníci provádějí následující kroky:
Krok 1: Určení molekuly, která je „vhodná k léčení“ jako cíl.
Krok 2: Provedení experimentů, které potvrdí, že se cíl podílí na progresi onemocnění.
Krok 3: Identifikace nebo vytvoření sloučeniny, která interaguje s cílem.
Krok 4: Optimalizace vybrané sloučeniny z hlediska účinnosti a bezpečnosti.
Krok 2: Provedení experimentů, které potvrdí, že se cíl podílí na progresi onemocnění.
Krok 3: Identifikace nebo vytvoření sloučeniny, která interaguje s cílem.
Krok 4: Optimalizace vybrané sloučeniny z hlediska účinnosti a bezpečnosti.
S pomocí AI můžou provádět následující:
Krok 1: Nalezení dalších potenciálních cílů.
Krok 2: Zvýšení úspěšnosti experimentů.
Krok 3: Vyloučení sloučenin, u nichž je interakce nepravděpodobná.
Krok 4: Urychlení procesu pomocí inteligentní analýzy.
Krok 2: Zvýšení úspěšnosti experimentů.
Krok 3: Vyloučení sloučenin, u nichž je interakce nepravděpodobná.
Krok 4: Urychlení procesu pomocí inteligentní analýzy.
Jak se AI používá v klinických studiích
Podle společnosti Taconic Biosciences je pouze 12 % kandidátů na léčiva, kteří vstoupí do fáze klinického hodnocení, schváleno regulačními orgány. Klinické studie jsou nejdelší a nejnákladnější fáze procesu vývoje léků. Zahrnují několik fází zkoušek na lidech, do každé z nich se při tom musí zapojit stovky až tisíce účastníků.
Tradiční lineární proces randomizovaných kontrolovaných studií (RCT) zůstává po desetiletí stejný. Postrádá flexibilitu, rychlost a analytický výkon nezbytné pro úspěch modelu precizní medicíny. Společnosti se potýkají s hledáním vhodných účastníků, nemluvě o jejich motivaci, udržování a efektivním řízení. Neefektivnost celého procesu výrazně přispívá k rostoucím nákladům na výzkum a vývoj léků a také k nízké úspěšnosti při schvalování. Také brání inovacím.
Farmaceutické společnosti přitom můžou v celé fázi klinických studií léků, od návrhu až po analýzu dat, využít prediktivní modely AI. Ty jim pomůžou:
Tradiční lineární proces randomizovaných kontrolovaných studií (RCT) zůstává po desetiletí stejný. Postrádá flexibilitu, rychlost a analytický výkon nezbytné pro úspěch modelu precizní medicíny. Společnosti se potýkají s hledáním vhodných účastníků, nemluvě o jejich motivaci, udržování a efektivním řízení. Neefektivnost celého procesu výrazně přispívá k rostoucím nákladům na výzkum a vývoj léků a také k nízké úspěšnosti při schvalování. Také brání inovacím.
Farmaceutické společnosti přitom můžou v celé fázi klinických studií léků, od návrhu až po analýzu dat, využít prediktivní modely AI. Ty jim pomůžou:
- Vyhledat ve veřejně dostupných zdrojích vhodné pacienty.
- Vyhodnocovat výkon v konkrétní lokalitě v reálném čase.
- Automatizovat sdílení dat na různých platformách.
- Extrahovat data do závěrečných zpráv.
Překážky přijetí AI ve farmaceutickém průmyslu
Přestože se používání AI v procesech objevování a vývoje léčiv stále více rozšiřuje, stále existují překážky, které brání jejímu přijetí. Tady jsou některé problémy, se kterými se společnosti běžně potýkají:
Kvalita dat
Často zmiňovaným problémem v mnoha odvětvích je, že špatná data můžou rychle snížit užitečnost AI a ML. Pro vědce zkoumající nové léky znamenají nekvalitní data, že zdravotnické technologie nejsou spolehlivé a v konečném důsledku nejsou přesnější, užitečnější ani časově úspornější než tradiční metody.
Obavy
Ve většině odvětví vládne mylná představa, že technologie mají nakonec zcela nahradit lidské pracovníky. Farmaceutický průmysl není výjimkou. A i když je pravda, že AI dokáže analyzovat velké datové sady rychleji než lidé, nenahradí kvalifikované výzkumníky a lékaře.
Nedostatek dovedností
Nasazení zdravotnických technologií v procesu hledání nových léků vyžaduje sadu ne zcela běžných dovedností. Aby byla data čistá a AI účinná, potřebují společnosti pracovníky nejen s technickými dovednostmi, ale také se znalostí vědecké stránky procesu, jako je navrhování léků, biologie a chemie. Je to náročné zadání a společnosti mají s obsazením těchto pozic nemalé potíže.
Budoucnost AI ve farmacii
S pomocí AI můžou být výzkumní pracovníci inovativnější, lékaři můžou lépe plnit požadavky precizní medicíny a farmaceutické společnosti můžou rychleji uvádět na trh léky, které mění život.
Současné trendy naznačují, že transformace AI, ke které dnes dochází ve farmaceutickém průmyslu, bude pokračovat i v budoucnu. Například každoročně přibývá partnerství mezi farmaceutickými a technologickými společnostmi, stejně jako obrovské investice do startupů v oblasti zdravotnických technologií a AI.
Významné farmaceutické společnosti také stále častěji sdílejí data. Konsorcium MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) pomáhá při snadném sdílení dat desítkám svých členů. Používá při tom blockchainový systém, který společnostem umožňuje sdílet vlastní data a zachovat jejich důvěrnost. Výzkumníci můžou využít existující data k nastartování procesu objevování léků a zkrátit tak vývoj o několik let.
Současné trendy naznačují, že transformace AI, ke které dnes dochází ve farmaceutickém průmyslu, bude pokračovat i v budoucnu. Například každoročně přibývá partnerství mezi farmaceutickými a technologickými společnostmi, stejně jako obrovské investice do startupů v oblasti zdravotnických technologií a AI.
Významné farmaceutické společnosti také stále častěji sdílejí data. Konsorcium MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) pomáhá při snadném sdílení dat desítkám svých členů. Používá při tom blockchainový systém, který společnostem umožňuje sdílet vlastní data a zachovat jejich důvěrnost. Výzkumníci můžou využít existující data k nastartování procesu objevování léků a zkrátit tak vývoj o několik let.
Zdroje informací
Prozkoumejte oborová řešení Microsoftu
Modernizujte svůj výzkum a vývoj (R&D) a dodávejte nové produkty rychleji s AI řešeními běžícími na platformě Microsoft Cloud.