О перспективах и трудностях ИИ в открытии лекарств

Несмотря на все публикации (некоторые менее серьезные, другие более тревожные) о неудачах генеративного ИИ в здравоохранении, заинтересованные стороны настроены оптимистично в своих представлениях о том, что технология способна сделать для разработки лекарств, и с надеждой смотрят на доклиническое будущее ИИ.

Некоторые даже полагают, что к 2050 году у нас будут технологии, помогающие ученым делать открытия, достойные Нобелевской премии. И эти смелые прогнозы не лишены оснований.

«Мы стали свидетелями и участниками столь значительного ускорения вычислений и усложнения этих технологий за сравнительно короткий промежуток времени», — сказал Рори Келлехер (Rory Kelleher), руководитель отдела развития глобального бизнеса в сфере здравоохранения и естественных наук в NVIDIA. «Отрасль абсолютно права, испытывая оптимизм относительно того, что мы увидим в будущем от биологических и химических моделей».

Несмотря на этот энтузиазм, Келлехер отметил, что некоторые ключевые факторы могут ограничить распространение и влияние ИИ в будущем. Сможет ли отрасль эффективно решить эти проблемы, чтобы будущие машины могли соответствовать требованиям естественных наук?

Целый мир «а что, если?»

В отличие от других секторов, лидеры фармацевтической и медицинской отраслей ожидают, что наиболее выраженно ИИ будет влиять на НИОКР. Многие полагают, что потенциальная стоимость (определяемая процентом дохода) достигнет 25%. Что касается того, как может выглядеть будущее, отрасль либо размышляет, либо пассивно экспериментирует, либо даже активно работает над многими потенциальными «а что, если».

Несколько вариантов использования поддерживают способность автоматизации обеспечивать новые эффективности, например, виртуальные клетки, которые могут имитировать поведение (потенциально заменяя модели животных в будущем), или роботизированные лаборатории, которые могут автономно масштабировать эксперименты и сценарии. Расшифровка сложных структур белков, которые долгое время ускользали от исследователей, является еще одной захватывающей областью, как и моделирование клинических испытаний, чтобы доклинические термины могли лучше предсказывать эффективность кандидатов в разработке.

Варианты использования ИИ имеют и другие цели, например, обеспечение молекулярного моделирования в масштабе суперкомпьютеров для организаций всех размеров, а также создание «инопланетных» гипотез, которые люди не смогли бы реально придумать благодаря таким ресурсам, как графы знаний. По мере того, как эти цели материализуются, снижение высокой стоимости открытия и разработки лекарств за счет эффективности ИИ является основным ожидаемым результатом, который может помочь большему количеству качественных кандидатов в конечном итоге попасть в клинику.

«В совокупности эти варианты использования сигнализируют о будущем, в котором ИИ фундаментально преобразует открытие лекарств — ускоряя исследования, сокращая затраты и обеспечивая прорывы, которые ранее были немыслимы», — сказал Келлехер.

Препятствия, которые необходимо преодолеть

Для всех будущих вариантов использования ИИ в открытии лекарств существует множество препятствий. Дефицит данных — включая отсутствие информации в лабораторных условиях и здравоохранении — одно из них, предполагает Келлехер. «Дефицит данных в биофармацевтике является существенным препятствием для открытия лекарств с помощью ИИ, но, приняв совместный обмен данными, используя синтетическую генерацию данных и применяя федеративное обучение, мы можем преодолеть эти ограничения и открыть новый потенциал в медицинских исследованиях», — сказал он.

Наряду с этими последствиями дефицита существуют также опасения по поводу предвзятости и этики, связанных с данными. Эксперты выразили обеспокоенность тем, что модели ИИ подхватывают человеческие предубеждения, например, поднимая вопросы о том, как эти опасения могут повлиять на последующие усилия по диверсификации клинических исследований, когда или если кандидаты дойдут до испытаний на людях.

«Разнообразие, безусловно, играет важную роль в том, насколько эффективными могут быть эти модели в открытии лекарств», — отметил Келлехер. «Любая модель в значительной степени информирована данными, на которых она обучается. Поэтому эти предубеждения определенно переносятся в модель, и это может стать ограничивающим фактором в будущем».

Еще одна потенциальная проблема связана с регуляторами, и в частности со скоростью принятия ИИ FDA. В недавней статье FDA из JAMA авторы предполагают, что быстрый темп внедрения ИИ возлагает бремя на множество заинтересованных сторон, чтобы помочь оценить качество «вне сферы компетенции» агентства.

«Альянс за искусственный интеллект в здравоохранении (Alliance for Artificial Intelligence in Healthcare, AAIH) только что обсудил это с государственными регулирующими органами», — сказала Стейси Калад-Томсон (Stacie Calad-Thomson), руководитель отдела развития бизнеса в сфере здравоохранения и естественных наук в NVIDIA и заместитель председателя AAIH. «FDA будет придерживаться тех же стандартов в отношении заявок на лекарства, что и сейчас, но ожидается, что скорость и объем файлов увеличатся до такой степени, что FDA станет «бутылочным горлышком», если они будут медленнее внедрять решения на основе ИИ, которые помогут им эффективнее обрабатывать больший объем заявок».

Решения на будущее

Поскольку заинтересованные стороны работают над раскрытием потенциала ИИ для будущих открытий лекарств, им следует отдавать приоритет фундаментальному и неизолированному подходу, сказал Келлехер. «Нам нужно, чтобы публичный, строгий бенчмаркинг, оценка и валидация были обнародованы для научного обзора сообществом, а не содержались в коммерческих исследовательских хранилищах», — добавил он.

Эксперты NVIDIA добавляют, что исследование и поддержка фабрик данных с открытым исходным кодом, доконкурентных биобанков и сетей федеративного обучения — это другие потенциальные возможности, наряду с необходимостью поддержки инфраструктурных требований генерации синтетических данных.

Отдельно, но аналогично, необходимо поддерживать ответственное использование данных и осторожно воспринимать идею ученых и агентов ИИ, снимающих нагрузку с человеческих команд, чтобы они могли меньше концентрироваться на канцелярской работе. Эксперты говорят, что эти решения могут помочь сделать доклинические и клинические этапы более плавными и практичными.

«Внедряя эти решения, мы не просто преодолеем существующие барьеры», — считает Келлехер. «Мы произведем революцию в самом открытии лекарств, дав начало эре, в которой ИИ ускоряет прорывы и предоставляет беспрецедентные методы лечения пациентам по всему миру».

Источник: https://www.fiercepharma.com/

12.12.2024