כיצד טכנולוגיה רפואית עוזרת להאיץ גילוי של תרופות
המשך לקרוא כדי לקבל מידע נוסף בנוגע לבינה מלאכותית בתחום של גילוי ופיתוח תרופות וגלה כיצד היא עוזרת להפחית את עלויות פיתוח התרופות ולהעניק למטופלים טיפולים מצילי חיים מהר יותר.
העלויות ההולכות וגדלות של גילוי ופיתוח תרופות
האופן שבו אנשי מקצוע בתחום שירותִי הבריאות מטפלים במטופלים משתנה במהירות. רפואה מדויקת הופכת להיות נפוצה יותר ויותר ככל שהחוקרים מצליחים להתגבר על בעיות רפואיות מורכבות ותחום הפארמה שואף לחסוך זמן בתחום פיתוח תרופות מצילות חיים.
כיום, השקת תרופה חדשה בשוק כרוכה בתהליך ארוך ויקר מאין כמותו עבור חברות פארמה. על-פי Taconic Bioscience, בשנת 2019 תהליך הפיתוח של תרופה אחת ויחידה היה כרוך בכ- 2.8 מיליארד דולר והתפרס על פני 12 שנים. ואחרי כל זה, 90% מהתרופות המועמדות לא הצליחו להשיג את אישור ה- FDA.
החדשות הטובות הן שבינה מלאכותית (AI) נושאת פוטנציאל אדיר להאצה של תהליך הגילוי והפיתוח של תרופות.
כיצד בינה מלאכותית מייעלת את תהליך גילוי התרופה
השלב הראשון ביצירה של רוב התרופות הוא סינתזה של תרכובת כימית חדשה שיכולה להיקשר אל מולקולת יעד - לרוב חלבון - הקשורה למחלה, ולמתן אותה. כדי לגלות את התרכובת הנכונה, החוקרים בוחנים אלפי מועמדים פוטנציאליים. לאחר זיהוי היעד, החוקרים מבצעים סינון בספריות עצומות של תרכובות דומות כדי לאתר את האינטראקציה האופטימלית עם החלבון של המחלה.
כיום, כדי להגיע לנקודה זו נדרשים כעשור וכמאות מיליוני דולרים. אך טכנולוגיה רפואית שמשתמשת בבינה מלאכותית ובלמידת מכונה (ML) יכולה לייעל את התהליך, לחסוך את הזמן והכסף הנדרשים לתעשיית הפארמה כדי להשיק תרופות חדשות. הטכנולוגיות הללו יכולות, למשל:
לסרוק ספריות של מולקולות
סריקת הספריות למולקולות מועמדות הן כה עצומות שאין סיכוי שחוקרים אנושים יוכלו לעיין בכולן בעצמם. בינה מלאכותית, לעומת זאת, יכולה לזהות במהירות תרכובות יעד פוטנציאליות בערכות נתונים עצומות, ולחסוך לחוקרים מאות שעות במעבדה.
ניבוי של מאפייני תרכובות
תהליך גילוי התרופות המסורתי כולל ניסוי ותעייה שצורכים זמן. פתרונות של טכנולוגיה רפואית בשילוב עם AI ו- ML יכולים לעזור בהאצת התהליך על ידי ניבוי המאפיינים של התרכובות הפוטנציאליות, כדי לוודא שרק אלה עם ההרכב הרצוי ייבחרו לסינתזה. כך החוקרים לא צריכים לעבוד על תרכובות שהיעילות שלהן מוטלת בספק.
המצא תרכובות חדשות
כשהסינון מפיק כמה תוצאות מבטיחות, AI יכול אפילו להגות רעיונות לתרכובות חדשות לגמרי שמתאימות לפרמטרים הרצויים, שיש להן סיכויים גבוהים יותר להצלחה.
כיצד בינה מלאכותית עוזרת בגילוי תרופות חדשות?
כיצד בינה מלאכותית משמשת בניסויים קליניים?
על פי Deloitte, רק 10% מהתרופות המועמדות שנכנסות לשלב הניסוי הקליני זוכות לאישור מגופים רגולטוריים. ניסויים קליניים - השלב הארוך והיקר ביותר בתהליך יצירת התרופות - כרוכים בשלבים מרובים של בדיקות שמבצעים בבני אדם וכל שלב כולל מאות או אלפי משתתפים.
התהליך הלינארי המסורתי של ניסויים אקראיים מבוקרים (RCTs) לא השתנה בעשורים האחרונים ואין בו את הגמישות, המהירות והכוח האנליטי הדרושים על מנת שמודל הרפואה המדויקת ישגשג. חברות מתקשות למצוא את המשתתפים הנכונים, שלא לדבר על גיוס, שימור וניהול יעיל של אותם משתתפים. חוסר היעילות של התהליך תורם רבות לעלויות ההולכות וגדלות של תהליך פיתוח וגילוי התרופות, וכן לשיעורי האישור הנמוכים.
חברות פארמה יכולות להשתמש במודלים של בינה מלאכותית תחזיתית לכל אורך שלב הניסוי הקליני של פיתוח תרופות, החל משלב התכנון וכלה בניתוח הנתונים, אשר עוזרים:
- לזהות מטופלים מתאימים על ידי כריית תוכן הזמין לציבור.
- להעריך ביצועים באתר הניסוי בזמן אמת.
- לבצע שיתוף נתונים אוטומטי בפלטפורמות שונות.
- לספק נתונים לדוחות הסופיים.
שילוב אלגוריתמים עם תשתית טכנולוגית יעילה מבטיח שהזרם הקבוע של הנתונים הקליניים יהיה נקי, צבור, מאוחסן ומנוהל ביעילות. כך, חוקרים יכולים להבין טוב יותר את הבטיחות והיעילות של התרופה מבלי להצטרך לאסוף ולנתח באופן ידני את ערכות הנתונים העצומות שיוצרים הניסויים.
מכשולים לאימוץ AI בענף גילוי ופיתוח התרופות
על אף שהשימוש ב- AI הופך להיות נפוץ יותר בתהליך גילוי התרופות, אימוץ הבינה המלאכותית עדיין כרוך במכשולים.
איכות הנתונים
אתגר שאינו מדובר בתעשיות רבות הוא זה שנתונים ירודים יכולים להפחית במהירות מהיעילות של הבינה המלאכותית ולמידת המכונה. עבור חוקרי תרופות, נתונים באיכות ירודה הופכים את הטכנולוגיה הרפואית לבלתי מהימנה ובסופו של דבר לבלתי מדויקים, בלתי מועילים ואינם חוסכים זמן לעומת שיטות מסורתיות.
חששות
ישנה תפיסה שגויה בקרב מרבית התעשיות שהטכנולוגיה תחליף בסופו של דבר את האנשים העובדים באופן מלא. ענף הפארמה אינו יוצא דופן. ועל אף שזה נכון שבינה מלאכותית יכולה לנתח ערכות נתונים גדולות במהירות רבה יותר, היא אינה מחליפה חוקרים ורופאים אנושיים מיומנים.
מחסור במיומנויות
יישום טכנולוגיה רפואית בתהליך גילוי התרופות מחייב מערך נישתי של מיומנויות. כדי לנקות את הנתונים ולוודא שהבינה המלאכותית אפקטיבית, החברות זקוקות לעובדים בעלי מיומנויות נוספות מעבר למיומנויות טכניות - הבנה של הצד המדעי של התהליך, למשל תכנון תרופות, ביולוגיה וכימיה. מדובר במשימה תובענית שלחברות קשה לעמוד בה.
העתיד של AI בתהליך פיתוח התרופות בתחום הפארמה
בינה מלאכותית עוזרת לחוקרים לחדש, לרופאים לעמוד בדרישות של הרפואה המדויקת ולחברות להשיק את התרופות מצילות החיים לשוק. מדי שנה, יותר ויותר שותפויות נוצרות בין חברות פארמה לבין חברות טכנולוגיות, כמו גם השקעות עצומות בטכנולוגיה רפואית ובחברות סטארט-אפ של AI.
אנחנו אפילו עדים לשיתוף נתונים בין חברות פארמה גדולות. The Machine Learning Ledger Orchestration for Drug Discovery, או בקצרה MELLODDY, הוא קונסורציום שמקל את שיתוף הנתונים בין עשרות החברות החברות בו. MELLODDY משתמש במערכת מבוססת בלוקצ'יין שמאפשרת לחברות לשתף נתונים קנייניים במקביל להשגת מהימנות. חוקרים יכולים להשתמש בנתונים קיימים כדי להזניק את תהליך גילוי התרופות שלהם ולחסוך שנים של פיתוח.
האץ את המחקר והפיתוח
עקוב אחרינו