Îmbunătățirea evaluării siguranței medicamentelor prin AI, modelare predictivă și date relevante pentru oameni
Într-un interviu, News Medical-Life Sciences a discutat cu James McDonagh, Principal AI Scientist la ApconiX, despre cum tehnologiile moderne de inteligență artificială (AI) transformă evaluarea siguranței nonclinice, sprijinind toxicologia relevantă pentru oameni și ajutând cercetătorii să ia decizii mai informate în procesul de dezvoltare a medicamentelor.
Experiența lui McDonagh în diferite etape ale procesului de dezvoltare a medicamentelor i-a modelat perspectiva asupra impactului AI în descoperirea siguranței medicamentelor. „Am dezvoltat metode de chimie cuantică, inteligență artificială și învățare automată în medii de cercetare, dar am avut și ocazia să le aplic în medii reale de descoperire pentru materiale și produse farmaceutice”, a spus el.
El a subliniat că AI și învățarea automată au fost folosite în descoperirea timpurie de mult timp, însă cea mai recentă schimbare semnificativă a fost în domenii dominate de procese și comunicare umană. „Computerele pot acum interacționa direct cu limbajul uman și cu imagini analitice, deschizând aplicații noi”, a adăugat el.
În ceea ce privește siguranța nonclinic, McDonagh consideră că cel mai mare impact va fi AI colaborând cu oamenii de știință pentru a descoperi date esențiale și a conecta știința siguranței cu etapele anterioare de descoperire și cele clinice ulterioare.
Întrebat despre cercetarea timpurie axată pe predicția proprietăților moleculare, McDonagh a explicat că modelele bazate pe date, cum ar fi Relațiile Cantitative Structură-Activitate (QSAR), sunt atractive datorită rapidității în predicția proprietăților moleculare. Totuși, el a subliniat că aceste modele nu se generalizează bine pe spații chimice și biologice diverse.
„Este important să explorăm datele cu atenție, să evaluăm calitatea și cantitatea acestora și să avansăm în modelare doar după ce facem această evaluare”, a spus el. McDonagh a adăugat că nu există un flux de lucru unic și că fiecare set de date și fiecare model necesită o reflecție atentă.
În prezent, progresele în rețele neuronale grafice și învățarea profundă au permis predicții mai precise, în special în ceea ce privește structura proteinelor. McDonagh a menționat că metodele precum AlphaFold au revoluționat generarea de date structurale 3D, în ciuda provocărilor rămase pentru clasele de proteine subreprezentate.
Pe de altă parte, el a subliniat că modelele de ieșire multiplă au evoluat, permițând predicția simultană a mai multor rezultate, spre deosebire de acum un deceniu, când modelele se concentrau pe un singur rezultat. Acest lucru deschide oportunități în predicția ADMET (absorbție, distribuție, metabolism, excreție și toxicitate).
În ceea ce privește modelele bazate pe grafuri, McDonagh a menționat că acestea depășesc metodele tradiționale QSAR în proiectarea moleculară, dar a recunoscut că modelele tradiționale sunt încă utile în cazul seturilor de date mici, adesea întâlnite în descoperirea timpurie.
McDonagh a descris un flux de lucru asistat de AI în domeniul siguranței, subliniind că acest proces nu trebuie să înlocuiască toxicologii experți, ci să le completeze munca. AI poate căuta date, colabora informații și genera rezumate, facilitând astfel activitatea oamenilor de știință.
Referitor la platforma iSLA de la ApconiX, care evaluează riscul de convulsii, McDonagh a declarat că AI poate ajuta la traducerea rezultatelor experimentale complexe în informații acționabile pentru echipele de descoperire a medicamentelor. „Obiectivul este nu doar de a prezice riscuri, ci de a înțelege care caracteristici moleculare contribuie la acel risc”, a adăugat el.
În ceea ce privește reducerea testării pe animale, McDonagh a subliniat importanța metodelor in silico și in vitro, menționând că acestea pot oferi dovezi eficiente și relevante din punct de vedere uman. Totuși, acceptarea de către autorități rămâne o provocare, iar reglementările variază la nivel global.
Experiența sa în biopharma influențează modul în care dezvoltă instrumente AI pentru echipele de descoperire, având în vedere întotdeauna cum vor interpreta și utiliza alții datele și informațiile generate. McDonagh a subliniat că instrumentele trebuie să fie accesibile și acționabile pentru a sprijini deciziile informate în procesul de dezvoltare a medicamentelor.
Deși există un entuziasm considerabil în jurul AI în dezvoltarea medicamentelor, el a remarcat că există o prăpastie între hype și realitate. AI este o parte semnificativă a multor programe de descoperire, dar este esențial să se recunoască unde rămân oamenii centrali în proces.
În concluzie, McDonagh a subliniat importanța înțelegerii incertitudinii și limitărilor modelului în evaluarea siguranței, afirmând că este crucial să se comunice incertitudinea pentru a permite oamenilor de știință să ia decizii mai bine informate.
