Время прочтения - 7 мин.
Процесс разработки медпрепарата занимает в среднем от 10 лет, а финансовые вложения в вывод новинки на рынок достигают $3 млрд. В чем причина заоблачных трат — временных и денежных? Прежде всего в том, что 90% экспериментальных лекарств терпят крах на разных стадиях клинических испытаний.
Именно поэтому крупнейшие представители «большой фармы» сегодня делают ставку на искусственный интеллект — не только в вопросе создания уникальной панацеи от всех недугов, но и тестирования инновационных методов терапии.
На что способен ИИ?
К сожалению, несмотря на все технологические прорывы, великое множество заболеваний пока остается неизлечимым. Причина банальна — отсутствие эффективного варианта терапии.
Зачастую ученым остается только догадываться о том, что провоцирует ту или иную болезнь. Что уж говорить о разработке действенного алгоритма борьбы с недугом. Поэтому медикам приходится идти путем проб и ошибок, использовать разные препараты, не всегда обеспечивающие желаемое исцеление.
Любопытно, но решение проблемы лежало буквально на поверхности. И теперь, чтобы сократить количество бесперспективных или малоэффективных препаратов, а также ускорить и удешевить процесс их производства, фармацевтические гиганты объединяют усилия с технологическими компаниями. Последние отчаянно необходимы им прежде всего для обработки огромных массивов данных, которые постоянно пополняются благодаря оцифровке электронных медицинских карт. Новая информация дает исследователям дополнительные сведения о различных заболеваниях и позволяет создавать перспективные методы лечения.
И тут на помощь приходит искусственный интеллект. По сути, это компьютер, выполняющий задачи, обычно подвластные лишь человеческому разуму. Люди кодируют или программируют этот компьютер, чтобы он мог действовать, рассуждать и учиться.
Машинное обучение (ML) — это тип ИИ, явно не запрограммированный для выполнения конкретной задачи: он обучается методикам прогнозирования и принятия решений в интерактивном режиме. Чем больше разнообразных данных предоставить модели машинного обучения, тем лучше она работает с течением времени.
Именно на базе машинного обучения исследователи совместно с техническими специалистами начали применять так называемое глубокое (или глубинное) обучение.
Глубокое обучение (DL) — это подмножество ML, которое использует искусственные нейронные сети, смоделированные так, чтобы обрабатывать информацию для обучения, почерпнутую из огромных объемов данных, подобно человеческому мозгу. Хорошо спроектированная модель DL способна выполнять задачи классификации и делать прогнозы с высокой точностью, нередко превышающей потенциал экспертов.
Пока еще слишком рано рассуждать о том, поможет ли ИИ создать новые жизненно необходимые лекарства. Но он, по крайней мере, способен выявлять неэффективные препараты еще до того, как компании начнут тратить деньги на их тестирование и производство.
Например, ИИ способен гораздо лучше спрогнозировать наличие побочных эффектов у экспериментальных методов медикаментозной терапии.
Как работает искусственный интеллект?
Существуют разные методы исследований, в которых искусственный интеллект может играть (и уже играет) важную роль. Вот несколько из них:
- В процессе идентификации белков, потенциально причастных к появлению заболевания, ИИ способен сортировать массу информации — например, данные из образцов тканей или крови пациентов, у которых есть болезнь, с данными людей, у которых нет этого недуга. ИИ помогает исследователям ограничить перечень новых соединений, которые могут выявлять опасные белки.
- Роботам поручают тестирование многих тысяч разрабатываемых препаратов на различных типах пораженных клеток в сотнях тысяч мини-экспериментов. ИИ используется для обработки миллионов изображений клеток — гораздо больше, чем сотни людей могли бы просмотреть самостоятельно — чтобы предсказать, удастся ли экспериментальным методам лечения остановить болезнь, не нанося вреда здоровым клеткам.
- Обработка данных о существующих лекарствах дает возможность перепрофилировать процедуры, заменять или объединять их. Такой подход повышает их потенциал, а также позволяет персонализировать их на основе имеющихся генетических маркеров.
А еще ИИ способен взламывать «код тела». Так, в 2018 году DeepMind — подразделение искусственного интеллекта Alphabet — создало инструмент под названием AlphaFold. Он смог превзойти биологов в прогнозировании форм белков, которые считаются основными строительными блоками болезни.
Благодаря AlphaFold решена одна из самых досадных проблем биологии — проблема сворачивания белка. Определение формы протеина помогает сократить число молекул, потенциально способных взаимодействовать с белками. А это шаг вперед на пути к идентификации лекарства для конкретного заболевания.
Есть уже и примеры создания новых препаратов с помощью ИИ. Причем ряд лекарств проходит стадию испытаний с участием человека. Например, препараты от компании Recursion Pharmaceuticals. Они разрабатываются для борьбы с различными заболеваниями — начиная от аномалии кровеносных сосудов в головном и спинном мозге до редкого генетического расстройства, разрушающего нервные клетки. Или препараты компании Exscientia для терапии обсессивно-компульсивного расстройства и онкологии.
ИИ уже используется в медицинской диагностике в Управлении по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Взаимовыгодное партнерство
Проблема снижения количества создаваемых фармацией новых препаратов постепенно решается путем слияния предприятий разных отраслей. И в этом вопросе наблюдается подлинный ажиотаж. С 2013 по 2018 год в 300 сделок M&A инвестировано более $7 млрд.
Швейцарский Roche Holding планирует с помощью искусственного интеллекта в 2 раза увеличить количество новинок, которые он может разработать за 10 лет.
GlaxoSmithKline с помощью ИИ надеется повысить показатель успешности применения препаратов на 20%. Ради этого гигант объединяет усилия с партнерами, включая поставщика услуг по тестированию ДНК 23andMe Holding и начинающего производителя чипов Cerebras Systems, разрабатывающего компьютерные системы для обработки очень больших массивов данных.
И подобных примеров сотрудничества фармацевтических гигантов с разработчиками ИИ-технологий немало. Вот лишь некоторые из них:
- AstraZeneca и BenevolentAI используют платформы на основе нейронных сетей для разработки методов лечения заболеваний почек и фиброза легких.
- GlaxoSmithKline и Cerebras Systems применяют модели машинного обучения на компьютерных чипах нового типа для оценки генетических данных.
- Bayer, Sanofi, Bristol Myers Squibb и Exscientia с помощью инструментов генетики и ИИ выявляют белки-провокаторы сердечно-сосудистых заболеваний, рака и диабета.
- Bayer и Recursion автоматизируют эксперименты и используют накопленную Bayer библиотеку соединений для разработки методов лечения фиброзов.
- Gilead, Bristol Myers Squibb и Insitro с помощью машинного обучения и генетических данных создают модели терапии заболеваний печени и деменции.
Говорить о революционном прорыве было бы преждевременно, но путь выбран верный: тесное сотрудничество Big Pharma с технологическими компаниями действительно облегчает процесс создания новых препаратов и сокращает сроки их вывода на рынок. Именно эти альянсы будут играть определяющую роль в индустрии уже в ближайшем десятилетии, и долгосрочным инвесторам пора внимательнее присмотреться к этим перспективным игрокам.
Источник: Bloomberg
Подпишись на наш телеграм канал
только самое важное и интересное
