Биотехнологии применяют ИИ и машинное обучение к разработке лекарств, потенциально создавая десятки новых лекарств и рынок на 50 миллиардов долларов в течение следующего десятилетия.Вот что это значит для пациентов и инвесторов.

Введение:

Для биотехнологических компаний большая часть традиционного процесса открытия новых лекарств - это дорогостоящие догадки.помогает компаниям использовать обширные наборы данных для быстрой идентификации маркеров реакции пациентов и разработки жизнеспособных лекарственных целей дешевле и эффективнее.

Результаты могут быть преобразующими не только для медицинских работников и пациентов, страдающих от труднолечимых заболеваний, но и для сектора биотехнологий: Morgan Stanley Research believes that modest improvements in early-stage drug development success rates enabled by the use of artificial intelligence and machine learning could lead to an additional 50 novel therapies over a 10-year period, что может привести к возможности более чем в 50 миллиардов долларов.

Прогнозируемая диагностика, усиленная данными, представляет собой значительную возможность для отрасли биологических наук в ближайшем будущем, говорит Тегас Савант.который занимается биологическими инструментами и диагностикой в Morgan Stanley ResearchЭто также, вероятно, вызовет резонанс у плательщиков, поскольку эти испытания могут дать лучшие результаты.Они также могут обеспечить значительную экономию затрат, позволяя ранее выявлять и лечить пациентов с повышенным риском..??

ПОЧЕМУ использовать ИИ в исследованиях наркотиков?

Главная цель исследований по открытию лекарственных средств заключается в выявлении лекарственных средств, которые оказывают благотворное воздействие на организм, другими словами, они могут помочь предотвратить или лечить определенное заболевание.

Хотя существует несколько различных типов лекарств, многие из них представляют собой небольшие химически синтезированные молекулы, которые могут специально связываться с молекулой-мишенью, обычно белком, участвующим в заболевании.

Чтобы найти эти молекулы, исследователи традиционно проводят большие экраны библиотек молекул, чтобы определить одну из них с потенциалом стать лекарством.Затем они проходят многочисленные раунды испытаний, чтобы превратить это в многообещающее соединение..

В последнее время все более распространены более рациональные подходы к разработке лекарств на основе структуры.Они избегают первоначальных этапов скрининга, но все же требуют от химиков создания потенциальных новых препаратов путем разработки, синтезируя и оценивая множество соединений.

Поскольку обычно неизвестно, какие химические структуры будут иметь как желаемые биологические эффекты, так и свойства, необходимые для того, чтобы стать эффективным лекарством,Процесс переработки перспективного соединения в лекарственный препарат может быть дорогостоящим и трудоемкимПоследние данные показывают, что стоимость выпуска нового лекарственного средства на рынок в настоящее время составляет в среднем 2,6 млрд. долларов США.

Кроме того, даже если новый препарат-кандидат показывает потенциал в лабораторных испытаниях, он все равно может потерпеть неудачу, когда он переходит в клинические испытания.менее 10% кандидатов в лекарственные средства попадают на рынок после испытаний фазы I.

Учитывая это, неудивительно, что эксперты теперь рассматривают беспрецедентный потенциал обработки данных систем ИИ как способ ускорить и снизить стоимость открытия новых лекарств.По данным исследовательской компании Bekryl, ИИ имеет потенциал для экономии более 70 миллиардов долларов США на процессе открытия лекарств к 2028 году.

Как искусственный интеллект может быть использован для открытия наркотиков?

The sheer size of the libraries used to screen for new drug candidates means it’s now practically impossible for individual researchers to review everything themselves - and that’s where AI and machine learning can help.

Эти сложные методы позволяют исследователям извлекать скрытые идеи из огромных наборов данных.

• Прогнозирование свойств потенциального соединения,что означает, что для синтеза выбираются только соединения с желаемыми свойствами, что экономит время и деньги за счет предотвращения работы с соединениями, которые вряд ли будут эффективными..
• Создание идей для совершенно новых соединений,где молекула, которая была изобретена, должна обладать всеми желаемыми свойствами, необходимыми для успеха, что может значительно ускорить открытие новых эффективных лекарств..
• Уменьшение необходимости выполнения повторяющихся задач, таких как анализ тысяч гистологических изображений, экономия сотен человеческих часов в лаборатории.

Это лишь некоторые из потенциальных преимуществ, если посмотреть на начало процесса разработки лекарств.

КС-В пептид ИИ-помощь в обнаружении лекарств:

Присоединение пептидов к цели и оценка конформаций связывания, сохранение результатов с лучшими показателями и продолжение поиска лучших последовательностей на основе предыдущих результатов.Процесс повторяется до тех пор, пока оценка не изменится значительноСочетая открытие лекарств с помощью ИИ с автоматизацией лабораторий, высокопроизводительным скринингом,и другие технологии могут еще больше улучшить процесс обнаружения лекарств, увеличив его эффективность и сократив затраты и время, затрачиваемые на его создание..

Исследование случаев обнаружения лекарств с помощью ИИ пептида KS-V: