„`html
Inovația în DMTA: O nouă eră pentru descoperirea medicamentelor
Într-un interviu, Jon Wingfield discută despre cum următoarea generație de DMTA creează un motor de descoperire a medicamentelor pregătit pentru viitor prin intermediul inteligenței artificiale și automatizării.
Inteligența artificială (IA) transformă multe aspecte ale cercetării farmaceutice. De ce credeți că este momentul să regândim ciclul de design, fabricare, testare și analiză (DMTA)?
Ciclul DMTA a servit mult timp ca fundament al descoperirii medicamentoase preclinice. Cu toate acestea, viteza relativ lentă de iterație devine o limitare semnificativă pe măsură ce organizațiile farmaceutice caută niveluri mai ridicate de productivitate.
Deși îmbunătățirile fluxului de lucru bazate pe IA reprezintă o parte importantă a soluției, acestea nu sunt suficiente de unele singure. Etapa de fabricare, împreună cu legătura sa cu testarea, trebuie să evolueze atât în ceea ce privește procesele operaționale, cât și tehnologiile de bază.
Fără aceste schimbări, aceste etape riscă să devină următoarele blocaje majore în cadrul procesului de descoperire a medicamentelor.
IA accelerează deja designul molecular. Cum afectează acest lucru procesul general de descoperire?
Inteligența artificială remodelaază descoperirea medicamentelor în multiple discipline. De la designul molecular și planificarea sintezei, până la analiza datelor și luarea deciziilor, IA are potențialul de a accelera considerabil generarea și evaluarea noilor concepte terapeutice.
Cu toate acestea, creșterea rapidității designului molecular aduce valoare doar dacă restul fluxului de descoperire poate progresa într-un ritm similar.
Ce noi provocări apar pe măsură ce IA permite cercetătorilor să exploreze zone mai mari ale spațiului chimic?
Volumul compușilor care intră în fluxurile de lucru de descoperire timpurie este de așteptat să crească substanțial.
Pentru multe organizații, generarea de molecule candidate ar putea deveni în curând mai puțin provocatoare decât fabricarea, testarea și învățarea din acestea. Cu alte cuvinte, limita principală în descoperirea medicamentelor se mută de la generarea de idei către productivitatea ciclului DMTA în sine.
De ce devine atât de critică îmbunătățirea productivității pentru industria farmaceutică?
Această schimbare este deosebit de importantă deoarece presiunea comercială din cadrul descoperirii medicamentelor continuă să crească. Industria se concentrează acum pe ținte biologice din ce în ce mai complexe, în timp ce progresele în stratificarea pacienților creează o cerere mai mare pentru terapii personalizate.
Aceste dezvoltări necesită evaluarea mai multor compuși, generarea unor volume mai mari de date și luarea unor decizii de o calitate superioară, toate acestea în timp ce se reduc timpii de dezvoltare și se controlează costurile.
Au avansurile anterioare în descoperirea medicamentelor abordat aceste provocări de productivitate?
În ultimele decenii, îmbunătățirile în productivitatea descoperirii medicamentelor au rezultat în mare parte din progresele realizate în cadrul unor părți individuale ale fluxului de lucru, inclusiv screeningul de înaltă capacitate, automatizarea laboratorului și modelarea computațională.
Cu toate acestea, îmbunătățirile incrementale în funcții izolate sunt puțin probabil să satisfacă cerințele următoarei generații de descoperire a medicamentelor. Pe măsură ce numărul de compuși și volumul de date continuă să crească, blocajele care erau odată gestionabile devin bariere semnificative pentru inovație.
Ce va distinge organizațiile care vor avea succes în următoarea eră a descoperirii medicamentelor?
Viitorul succes va aparține organizațiilor care nu mai tratează designul, fabricarea, testarea și analiza ca activități separate, ci optimizează DMTA ca un sistem integrat. Obținerea vitezei de iterație necesare pentru descoperirea medicamentosă bazată pe IA va necesita mult mai mult decât algoritmi mai rapizi.
Va depinde, de asemenea, de noi abordări în ceea ce privește infrastructura de date, luarea deciziilor, sinteza, purificarea, testarea și interfețele care conectează fiecare dintre aceste componente.
În ciuda decadelor de progrese tehnologice, de ce a rămas atât de dificilă îmbunătățirea productivității?
Deși au avut loc inovații semnificative în domenii precum screeningul de înaltă capacitate, automatizarea laboratorului și modelarea moleculară, câștigurile semnificative în productivitatea generală a descoperirii medicamentelor au rămas greu de realizat.
Multe dintre oportunitățile mai simple au fost deja abordate, în timp ce creșterea medicinei personalizate sporește cererea de generare a unor volume mai mari de date și evaluarea eficientă a unui număr mai mare de compuși.
În acest context, IA oferă oportunități imense. Totuși, valoarea sa va depinde nu doar de generarea unor candidați moleculare mai buni, ci și de accelerarea traducerii acestor candidați în învățare experimentală.
O consecință a revoluției IA este că un număr semnificativ mai mare de compuși va progresa prin etapele timpurii ale ciclului DMTA. Satisfacerea acestei cerințe va necesita o creștere dramatică a vitezei de iterație a întregului proces DMTA.
Această obiectivă nu poate fi atinsă pur și simplu prin îmbunătățiri incrementale ale proceselor deconectate în cadrul silozurilor departamentale, așa cum s-a întâmplat tradițional.
În schimb, organizațiile trebuie să adopte o viziune mai holistică a DMTA, concentrându-se pe explorarea eficientă a spațiului molecular, generând date de înaltă calitate care susțin luarea rapidă și bine informată a deciziilor.
Care părți ale fluxului de lucru oferă în prezent cele mai mari oportunități de îmbunătățire?
În cadrul fluxului de lucru DMTA, trei domenii se remarcă ca fiind oportunități promițătoare pentru îmbunătățire.
Primul este purificarea, unde procedurile de manipulare laborioase continuă să limiteze capacitatea de procesare, în ciuda avansurilor în chimia sintetică.
Al doilea este testarea, unde modelele biologice emergente, inclusiv organoizii, oferă date mai bogate și mai predictive, dar rămân greu de implementat la scară.
Al treilea se referă la interfața dintre fabricare și testare, unde fluxurile de lucru convenționale continuă să introducă întârzieri și să creeze bariere între chimie și biologie.
Împreună, aceste provocări sunt susceptibile de a deveni constrângerile definitorii asupra vitezei de iterație DMTA în următorul deceniu.
Industria observă deja această tranziție. Investițiile în IA accelerează etapele timpurii ale descoperirii medicamentelor, permițând echipelor de cercetare să exploreze regiuni mai largi ale spațiului chimic și să genereze candidați promițători mai eficient ca niciodată.
Cu toate acestea, extinderea capacității de design oferă doar beneficii limitate dacă activitățile de descoperire ulterioare nu pot ține pasul. Ca rezultat, o atenție tot mai mare este îndreptată către îmbunătățirea productivității întregului sistem DMTA
