Как искусственный интеллект создает лекарства?

Искусственный интеллект в фармации
 
Разработка лекарственного препарата, по сути, заключающаяся в трудоемком процессе внедрения новой молекулы ЛС в клиническую практику состоит из нескольких этапов. Это научные изыскания по поиску молекулы и подходящей молекулярной мишени, затем масштабные клинические исследования, пострегистрационное изучение в реальной практике и последующий фармаконадзор.

Только лишь процессы идентификации и тестирования всех химических соединений, являющихся потенциальными терапевтическими агентами, требуют большого количества времени и финансовых затрат. Было подсчитано, что на каждый новый препарат, выведенный на рынок, уходят миллиарды долларов США и более 10 лет работы. [1]

Поэтому передовые технологии, которые помогают облегчить и ускорить процесс создания ЛС представляют интерес для мировой фармы.

Искусственный интеллект в фармации подразумевает использование сложных заданных алгоритмов программного обеспечения для имитации человеческого познания при анализе научных медицинских данных, методов терапии и профилактики, а также результатов лечения пациентов.

Данные реального мира (Real Word Data, RWD) определяются FDA, как «данные, относящиеся к состоянию здоровья пациента или предоставлению ему медицинской помощи, регулярно собирающиеся из различных источников». Они могут быть получены из электронных медицинских карт, информации об уходе за больными на дому, претензий пациентов, с мобильных устройств, т.е. источников, не относящихся к исследовательским институтам.

Основными тенденциями использования ИИ и RWD в фармацевтической технологии являются:

Пандемия, как время для инноваций
 
Однако при внедрении инструментов ИИ в процесс разработки лекарств присутствуют и проблемы, которые требуют решения. В частности, это качество данных, необходимых алгоритмам для получения успешных результатов. Затруднен обмен клиническими данными между фармацевтическими компаниями, отсутствует стандартизация источников информации, нередко встречаются противоречивые результаты.

Для предотвращения неверных паттернов, закладывающихся в систему ИИ, инициируется создание национальных или международных электронных хранилищ медицинских записей. Одним из таких хранилищ стал международных консорциум 4СЕ, объединивший электронные медицинские карты пациентов с COVID-19 из 96 больниц в 5 странах мира. Впоследствии, эти медицинские карты анализировались при помощи общей модели данных OMOP, которая систематизировала и преобразовывала их в единый формат.

Стоит отметить, что пандемия стала идеальной возможностью для внедрения передовых алгоритмов ИИ в сочетании с сетевой медициной для перепрофилирования лекарств. В условиях развития острого респираторного синдрома, тяжелого течения и последствий SARS-CoV-2 открытие лекарств de-novo практически невозможно. А систематический скрининг ИИ позволил выявить новые показания для уже существующих и одобренных препаратов.

К слову, методика перепрофилирования ЛС применялась и раньше, удачными ее плодами стали такие препараты, как силденафил – против эректильной дисфункции или талидомид в терапии множественной миеломы. Однако до ИИ на расширение показаний требовались годы. [2]

ИИ предсказывает, КИ - доказывают
 
Одной из стратегий эффективного перепрофилирования препаратов для COVID-19 стал скрининг взаимодействий вирусного белка и белка хозяина. При помощи алгоритмов ИИ было установлено, что препарат барицитиниб, одобренный для лечения ревматоидного артрита, тормозит репликацию вируса SARS-CoV-2 в клетке хозяина. Полученные данные были проверены в клиническом исследовании, которое показало, что при использовании барицитиниба у пациентов с двусторонней пневмонией на фоне COVID-19, клиническое улучшение наступало быстрее. [3]

Следующим кандидатом для дальнейших испытаний и использования в терапии коронавируса стал торемифен, селективный модулятор эстрогеновых рецепторов, который с 1997 года используется в лечении рака молочной железы. Технологии ИИ, такие как граф знаний о COVID-19, называемый CoV-KGE, и сетевая медицина предположили, что торемифен может блокировать взаимодействие между ACE2 и спайковым белком SARS-CoV-2, ингибировать неструктурный белок NSP14 SARS-CoV-2, механически поддерживая противовирусную активность препарата. [2]

Глюкокортикостериод дексаметазон был также определен ИИ, в частности CoV-KGE, как средство, подходящее для перепрофилирования. Рандомизированное исследование терапии COVID-19 показало, что дексаметазон на треть снижал смертность у пациентов, нуждающихся в инвазивной искусственной вентиляции легких, и на пятую часть у лиц, нуждающихся в кислороде без инвазивной искусственной вентиляции. [2] ВОЗ назвала клинические испытания дексаметазона и его способность регулировать иммунный ответ, останавливая развитие цитокинового шторма, научным прорывом.

По словам фармаколога и лауреата Нобелевской премии Джеймса Блэка: «Самая плодотворная основа для открытия нового лекарства – это начать со старого лекарства». При поддержке передовых технологий ИИ открывать иные грани проверенных годами препаратов, предлагая экстренные решения и снижая затраты на разработку, становится все проще.

1. Zhaoyi Chen, Xiong Liu, William Hogan, Elizabeth Shenkman, Jiang Bian. Applications of artificial intelligence in drug development using real-world data. Drug Discovery Today, 2020. PMID: 33358699 DOI: 10.1016/j.drudis.2020.12.013.

2. https://www.thelancet.com/journals/landig/article/PIIS2589-7500(20)30192-8/fulltext

3. https://medicina360.ru/article/iskusstvenny-j-intellekt-sozdaet-lekarstva-5-preparatov-sdelanny-x-mashinoj