Снизить число неудач при разработке лекарств поможет ИИ и использование органоидов печени

В традиционной разработке лекарств 9 из 10 кандидатов не проходят клинические испытания — в основном, из-за отсутствия длительного эффекта либо токсичности. Лекарственно-индуцированное поражение печени остается одной из ведущих причин неудач в исследованиях на людях: более 20% перспективных лекарств отсеиваются из-за проблем с токсичностью, не выявленных при тестировании на животных.

Искусственный интеллект (ИИ) совершает революцию в разработке лекарств, ускоряя идентификацию мишеней, разработку молекул и клинические испытания. Используя машинное обучение и генеративные модели, ИИ прогнозирует свойства, перепрофилирует существующие лекарства и оптимизирует дизайн клинических испытаний, при этом некоторые молекулы, разработанные ИИ, уже проходят испытания на людях.

Мичиганский университет и Национальная лаборатория Лос-Аламоса сотрудничают в создании нового суперкомпьютерного и исследовательского центра ИИ для расширения вычислительных мощностей и ускорения высокоэффективных исследований на благо общества. В рамках совместного национального проекта, включающего новые экспериментальные и вычислительные технологии, разрабатываемые в Мичиганском университете, исследователи стремятся снизить процент неудач и улучшить процесс оценки безопасности лекарственных препаратов.

Используя органоиды человеческой печени и аналогичные модели сердца в сочетании с прогностическим искусственным интеллектом и математическими моделями, основанными на физиологии — также известными как новые альтернативные методы, или NAM — проектные группы оценивают токсичность лекарств новыми и потенциально спасающими жизни способами.

Конечная цель? Будущее, в котором разработка лекарств с самого начала будет определяться биологией человека, что приведет к созданию более безопасных лекарств, которые быстрее дойдут до пациентов.

Органоиды, разрабатываемые компанией TorchBio, созданной на базе Мичиганского университета, представляют собой миниатюрные трехмерные ткани печени, выращенные из человеческих стволовых клеток, полученных от пациентов Мичиганского университета, перенесших лекарственно-индуцированное поражение печени. Они способны метаболизировать лекарства, выполнять основные функции и реагировать на токсичные соединения подобно человеческой печени, что делает их мощными инструментами для прогнозирования влияния новых лекарств на пациентов.

Компания TorchBio была основана в 2023 году преподавателем Мичиганского университета Джонатаном Секстоном (Jonathan Sexton), профессором кафедры внутренней медицины, Джесси Вотрингом (Jesse Wotring), старшим специалистом исследовательской лаборатории в Michigan Medicine, и Джоэлом Йейтсом (Joel Yates), ведущим специалистом исследовательской лаборатории в Michigan Medicine, с целью «улучшения результатов лечения пациентов и развития глобального здравоохранения».

«Этот национальный проект представляет собой фундаментальный сдвиг в том, как мы оцениваем безопасность лекарственных препаратов», — сказал Секстон. «Используя органоиды печени человека, полученные от различных групп пациентов, мы можем тестировать потенциальные лекарства в системах, которые действительно отражают биологию человека».

Сотрудничество между TorchBio и Мичиганским университетом представляет собой принципиально новую модель партнерства между академическими кругами и промышленностью в области биомедицинских исследований. Объединяя передовые академические научные достижения с практической направленностью стартап-компании, команда стремится быстро преобразовывать открытия в технологии, которые могут быть внедрены фармацевтической промышленностью.

«Этот проект был бы невозможен без экосистемы, которую Мичиганский университет создал для поддержки инноваций», — отметил Секстон. «Приверженность университета как фундаментальным исследованиям, так и коммерческому внедрению создала среду, в которой идеи могут перейти из лаборатории к реальному применению».

Итак, как же искусственный интеллект и вычислительная наука реально вписываются в эту среду? На самом деле, очень хорошо, с самого начала и на протяжении всего процесса оценки лекарственных препаратов.

Секстон и его команда с помощью роботов создают изображения органоидов, чтобы увидеть, как лекарство воздействует на клетки человека внутри органоида. Используя миллионы изображений, генерируемых для каждого органоида, команда применяет и обучает модели ИИ, чтобы определить, какие лекарственные соединения работают, а что еще важнее — какие нет. Модели специально создаются с учетом генетического разнообразия человека, чтобы обеспечить надежный набор данных, из которого могут извлекать информацию системы.

За один день модели могут провести одну партию токсикологических тестов, каждая партия включает примерно 20 000 тестов. Модели, разработанные и обученные командой Мичиганского университета, могут прогнозировать риск токсического воздействия на печень с точностью около 90%. Предыдущие традиционные методы достигали точности около 50% и занимали месяцы вместо нескольких дней. Все это происходит до того, как препарат переходит к дорогостоящим клиническим испытаниям.

Более раннее и точное тестирование может улучшить процессы на каждом этапе разработки лекарств, обеспечить более безопасные препараты и потенциально снизить стоимость лекарств за счет уменьшения количества ошибок в прогнозировании токсичности. Успех этих моделей также уменьшит необходимость в тестировании на животных, которое часто не позволяет предсказать реакцию человека.

«Используя полученные от пациентов органоиды, искусственный интеллект и вычислительные методы, мы можем интерпретировать данные с изображений этих органоидов гораздо точнее и эффективнее», — сказал Секстон. «Модели, которые мы обучаем и используем, действительно являются основой всего этого проекта; мы используем компоненты ИИ на каждом этапе».

Работа Секстона является частью более масштабного проекта, возглавляемого компанией Inductive Bio, технологической компанией, которая использует машинное обучение и искусственный интеллект для ускорения разработки лекарственных препаратов на основе малых молекул путем оптимизации процесса разработки соединений, и финансируемого Агентством перспективных исследовательских проектов в области здравоохранения (ARPA-H) в рамках программы «Вычислительный анализ ADME-Tox и физиологии для более безопасной терапии» (CATALYST). В проекте также участвуют биофармацевтическая компания Amgen, Детская больница Цинциннати и Медицинский колледж Бейлора.

Программа CATALYST — федеральная инициатива, направленная на преобразование доклинической оценки безопасности лекарственных препаратов. Цель проекта — обеспечить получение разрешений регулирующих органов на проведение первых клинических испытаний на людях на основе вычислительных данных о безопасности, снизить зависимость от моделей на животных и повысить точность прогнозирования токсичности. Финансируемые проекты разрабатывают экспериментальные и вычислительные методы прогнозирования безопасности лекарственных препаратов, имеющие отношение к человеку.

Национальный проект «Цифровое ускорение оценки токсичности с помощью механистических и основанных на искусственном интеллекте прогнозов» (DATAMAP) стремится трансформировать доклиническую оценку безопасности лекарственных препаратов с помощью передовых технологий.

В то время как команда Секстона сосредоточена на токсичности для печени в рамках проекта, команда из Университета Бейлора работает над оценкой кардиотоксичности с помощью аналогичного процесса. В ходе пятилетней инициативы команды в конечном итоге коммерциализируют продукт и создадут инструмент для использования компанией Amgen, с целью последующего включения его другими фармацевтическими компаниями в свои процессы разработки лекарственных препаратов.

По мере развития DATAMAP команда планирует расширить охват на другие системы органов, помимо печени и сердца, включить более разнообразные группы пациентов и работать над получением одобрения FDA для своих экспериментальных и вычислительных моделей.

«Благодаря таким системам назначение и контроль приема лекарств могут стать гораздо более персонализированными и потенциально могут полностью исключить метод проб и ошибок», — сказал Секстон. «Эта новая парадигма искусственного интеллекта и разработки лекарств позволит нам решать неразрешимые задачи, лечить неизлечимые заболевания и напрямую взаимодействовать с пациентами, моделируя их собственные ткани в лаборатории, чтобы определить, какие лекарства лучше всего подходят именно им».

Источник: https://record.umich.edu/

12.03.2026