Rolul esențial al inteligenței artificiale în dezvoltarea medicamentelor pentru cancer
Inteligența artificială nu mai este doar un instrument de suport în dezvoltarea medicamentelor. Acest articol evidențiază modul în care aceasta poate contribui la crearea unor terapii pentru cancer mai rapide, mai inteligente și personalizate, expunând în același timp obstacolele științifice și de reglementare care mai rămân în calea progresului.
Un recent articol de perspectivă publicat în jurnalul BJC Reports analizează modul în care inteligența artificială (AI) transformă descoperirea medicamentelor și traducerea acesteia în oncologia de precizie.
Ce ar fi dacă medicamentele salvatoare împotriva cancerului ar putea fi descoperite în câteva luni în loc de decenii? De obicei, dezvoltarea medicamentelor durează peste zece ani și este costisitoare, ceea ce face dificil pentru pacienți să obțină noi tratamente la timp. Progresele recente în AI ar putea accelera identificarea candidaților promițători de medicamente, îmbunătățind stratificarea pacienților și furnizând informații predictive mai precise despre modul în care anumite persoane ar putea răspunde la tratament. Totuși, biasul datelor, incertitudinea reglementărilor și validarea clinică insuficientă limitează utilizarea AI. Pentru a maximiza potențialul său, sunt necesare mai multe cercetări pentru a asigura implementarea sigură, echitabilă și semnificativă clinic a terapiilor bazate pe AI.
Descoperirea medicamentelor a depins tradițional de procese experimentale îndelungate, adesea caracterizate prin rate ridicate de eșec și costuri crescânde. În oncologie, provocările sunt amplificate de heterogeneitatea tumorilor, rezistența la tratament, evoluția clonală și biologia complexă a bolii. Utilizarea AI pentru a aborda aceste provocări a deschis noi oportunități pentru cercetători prin modelare computațională, analize predictive și proiectare automată a compușilor.
Un moment important în această tranziție este dezvoltarea de molecule mici generate de AI, care au avansat în studii clinice. De exemplu, un inhibitor al factorului de necroză tumorală receptor asociat cu factorul 2 și kinaza interacționantă NCK (TNIK) proiectat folosind AI generativ a demonstrat siguranță, tolerabilitate și dovezi farmacodinamice de angajare a țintei în studii umane. Este important de menționat că acest studiu a fost realizat în fibroza pulmonară idiopatică, nu în cancer, dar oferă un punct de referință timpuriu care este relevant din punct de vedere metodologic pentru oncologie.
AI a început să fie integrată în aplicațiile terapeutice clinice timpurii. De exemplu, compusul INS018_055, derivat din AI, se află în prezent în studii clinice de fază II axate pe tratamentul bolilor fibrotice. Un agent de imunooncologie (EXS21546) a fost îmbunătățit folosind AI pentru a contracara suprimarea imunității în microambientul tumoral. În fine, printr-o analiză bazată pe algoritmi computaționali, compusul baricitinib a fost dezvoltat inițial pentru tratamentul artritei reumatoide, dar a fost ulterior reutilizat pentru tratamentul bolii coronavirus 2019 (COVID-19).
Aceste cazuri demonstrează avantaje majore, inclusiv accelerarea descoperirii timpurii a medicamentelor prin automatizarea identificării țintelor și optimizarea compușilor, reducerea ratelor de eșec prin prezicerea toxicității și efectelor colaterale înainte de testarea în laborator și, în cele din urmă, îmbunătățirea succesului studiilor clinice prin selectarea pacienților potriviți și utilizarea biomarkerilor.
AI în descoperirea medicamentelor a beneficiat de mai multe progrese tehnologice. De exemplu, noi tehnici pentru prezicerea structurilor proteinelor, inclusiv modelarea interacțiunilor biomoleculare complexe, oferă o înțelegere mai detaliată a modului în care medicamentele interacționează cu țintele lor. Acest lucru permite oamenilor de știință să creeze medicamente mai eficiente și precise.
Prin învățarea auto-supervizată (SSL), AI poate găsi modele utile din seturi mari de date neannotate. Acest lucru este deosebit de valoros în oncologie, unde sunt disponibile date genomice și multi-omics vaste, dar care adesea lipsesc de etichete. SSL permite identificarea de noi ținte de medicamente și mecanisme ale bolii.
Învățarea federată permite instituțiilor să colaboreze fără a împărtăși date sensibile despre pacienți. Aceasta poate ajuta la păstrarea confidențialității, îmbunătățind în același timp generalizabilitatea modelului, ceea ce este important pentru dezvoltarea terapiilor eficiente în populații diverse.
AI are potențialul de a reduce dependența de experimentele tradiționale de laborator și animale. Instrumentele computaționale pot simula aspecte cheie ale comportamentului candidaților de medicamente și pot face predicții despre modul în care organismul metabolizează medicamentele, evaluând toxicitatea prin modelarea absorbției, distribuției, metabolismului, excreției și toxicității (ADMET).
Utilizarea „gemenilor digitali” pentru a testa medicamentele pe pacienți virtuali permite simularea modului în care un individ ar putea răspunde la o terapie aflată în dezvoltare. Acest lucru ar putea ajuta la rafinarea strategiilor de tratament personalizate și ar putea reduce necesitatea experimentelor în etapele incipiente, deși aceste abordări necesită încă validare empirică.
O problemă majoră în descoperirea medicamentelor bazate pe AI este generalizabilitatea, deoarece AI este antrenată pe date specifice care ar putea să nu performeze bine în rândul diferitelor paciente. Pentru ca terapiile generate de AI să obțină aprobată de reglementare și acceptare clinică, deciziile lor trebuie să fie clare și biologic plauzibile. Clinicienii și reglementatorii trebuie să înțeleagă modul în care aceste sisteme ajung la concluziile lor.
O altă provocare este că datele de antrenament AI părtinitoare pot duce la rezultate inechitabile în sănătate și pot crește disparitățile între pacienți. Asigurarea diversității în date și implementarea strategiilor de atenuare a părtinirii sunt pași esențiali către o îngrijire echitabilă.
Fragmentarea reglementărilor reprezintă, de asemenea, o provocare majoră, deoarece diferite țări au standarde variate pentru validarea modelelor AI. Sunt necesare standarde mai armonizate pentru validare, reproducibilitate, interoperabilitate a datelor și monitorizare pentru a accelera procesul de aprobat.
AI este poziționată unic pentru a avansa oncologia de precizie prin integrarea datelor multi-omics, inclusiv informații genomice, transcriptomice, proteomice și metabolomice. Această integrare permite o clasificare mai precisă a bolii și strategii de tratament personalizate.
AI ar putea ajuta, de asemenea, la interpretarea datelor clinice în timp real, inclusiv ADN-ul tumoral circulant (ctDNA), pentru a urmări progresia și detectarea timpurie a rezistenței; prin urmare, ar putea susține strategiile de tratament adaptive prin ajustarea continuă a regimului de tratament al pacientului în funcție de datele actualizate.
Dezvoltarea AI este, de asemenea, sprijinită de validarea federată și de designul studiilor clinice adaptive, permițând abordări scalabile bazate pe AI prin învățarea continuă din datele existente și rafinarea strategiilor terapeutice pentru a se potrivi nevoilor efective ale pacienților.
Acest articol de perspectivă demonstrează că descoperirea medicament
