Hoe MedTech het ontdekken van medicijnen helpt te versnellen
Lees verder voor meer informatie over kunstmatige intelligentie in het ontdekken en ontwikkelen van medicijnen, en hoe het helpt de kosten van medicijnontwikkeling te verlagen en patiënten sneller levensreddende behandelingen te geven.
De stijgende kosten voor het ontdekken en ontwikkelen van medicijnen
De manier waarop gezondheidszorgprofessionals patiënten behandelen is snel aan het veranderen. Nauwkeurige medicatie wordt steeds gebruikelijker naarmate onderzoekers complexe gezondheidsproblemen oplossen en farmaceutische bedrijven ernaar streven om levensreddende medicijnen sneller te ontwikkelen.
Een nieuw medicijn op de markt brengen is momenteel een extreem lang en duur proces voor farmaceutische bedrijven. Volgens Taconic Bioscience was er in 2019 voor één medicijn ongeveer $ 2,8 miljard en 12 jaar nodig om het te ontwikkelen. En na dat alles wordt 90% van de kandidaten niet eens goedgekeurd door de FDA.
Het goede nieuws is dat kunstmatige intelligentie ongelofelijk potentieel heeft om het proces van medicijnontdekking en -ontwikkeling te versnellen.
Hoe AI het proces van medicijnontdekking en -ontwikkeling stroomlijnt
De eerste stap in het ontwikkelen van de meeste medicijnen is het samenstellen van een verbinding die zich kan binden aan een doelmolecule (meestal een eiwit) die bij een ziekte is betrokken, en deze kan reguleren. Om de juiste verbinding te vinden, bekijken onderzoekers duizenden potentiële kandidaten. Zodra er een doel is geïdentificeerd, screenen onderzoekers enorme bibliotheken van vergelijkbare verbindingen om de optimale interactie met het eiwit van de ziekte te vinden.
Momenteel duurt het meer dan tien jaar en kost het honderden miljoenen euro's om op dit punt terecht te komen. Maar MedTech die gebruikmaakt van kunstmatige intelligentie en Machine Learning (ML) kan het proces stroomlijnen, zodat farmaceutische bedrijven sneller en goedkoper nieuwe medicijnen kunnen uitbrengen. Deze technologieën kunnen bijvoorbeeld:
Moleculebibliotheken uitkammen
De bibliotheken die worden gescreend op moleculekandidaten zijn zo enorm dat het voor menselijke onderzoekers vrijwel onmogelijk is om alles zelf te bekijken. AI kan echter snel potentiële doelverbindingen identificeren in enorme gegevensverzamelingen, waardoor onderzoekers honderden uren in het lab besparen.
Verbindingseigenschappen voorspellen
Het traditionele proces van medicijnontdekking is een tijdrovende proefondervindelijke methode. MedTech-oplossingen gecombineerd met AI en ML kunnen helpen het proces te versnellen door de eigenschappen van potentiële verbindingen te voorspellen, zodat wordt verzekerd dat alleen die met de gewenste opbouw worden gekozen voor de samenstelling. Zo hoeven onderzoekers niet te werken aan verbindingen die waarschijnlijk ineffectief zijn.
Nieuwe verbindingen uitvinden
Wanneer screenen weinig veelbelovende resultaten oplevert, kan AI zelfs brainstormen over ideeën voor gloednieuwe verbindingen die bij de gewenste parameters passen en een grotere kans op succes hebben.
Hoe kan AI helpen bij het ontdekken van nieuwe medicijnen?
Hoe wordt AI gebruikt in klinische studies?
Volgens Deloitte wordt slechts 10% van alle medicijnkandidaten die de klinische-studiefase bereiken, goedgekeurd door regelgevende instanties. Klinische studies zijn de langste en duurste fase van medicijnontwikkeling en omvatten meerdere fasen van menselijke tests, waarbij elke fase uit honderdduizenden deelnemers bestaat.
Het traditionele lineaire proces van Randomized Controlled Trials (RCT's) is al tientallen jaren niet veranderd en biedt niet de flexibiliteit, snelheid of analytische kracht die het nauwkeurige-medicatiemodel nodig heeft om succesvol te zijn. Bedrijven vinden het moeilijk de juiste deelnemers te vinden, laat staan ze effectief te werven, behouden en beheren. De inefficiëntie van het proces draagt aanzienlijk bij aan de stijgende kosten van het ontdekken en ontwikkelen van medicijnen, evenals lage goedkeuringspercentages.
Farmaceutische bedrijven kunnen voorspellende AI-modellen gebruiken in de gehele klinische-studiefase van medicijnontwikkeling, van ontwerp helemaal tot aan gegevensanalyse, om te helpen:
- Geschikte patiënten te identificeren door openbaar beschikbare inhoud te mijnen.
- De prestaties van de studiesite in realtime te evalueren.
- Het delen van gegevens op verschillende platforms te automatiseren.
- Gegevens te leveren voor definitieve rapporten.
Door algoritmen te koppelen aan effectieve technische infrastructuur, wordt verzekerd dat de voortdurende stroom van klinische gegevens effectief wordt opgeschoond, samengevoegd, opgeslagen en beheerd. Onderzoekers kunnen daardoor de veiligheid en doeltreffendheid van het medicijn beter begrijpen zonder de enorme gegevensverzamelingen handmatig te hoeven ordenen en analyseren die worden gegenereerd door studies.
Belemmeringen bij AI-acceptatie in het ontdekken en ontwikkelen van medicijnen
Hoewel AI steeds meer wordt gebruikt in het proces van medicijnontdekking, zijn er nog steeds belemmeringen bij de acceptatie ervan.
Gegevenskwaliteit
Een vaak genoemde uitdaging in veel sectoren is dat gegevens van lage kwaliteit de bruikbaarheid van kunstmatige intelligentie en Machine Learning snel kunnen verminderen. Voor medicijnonderzoekers maken gegevens van lage kwaliteit MedTech onbetrouwbaar en uiteindelijk niet meer nauwkeurig, nuttig of tijdbesparend dan traditionele methoden.
Bezorgdheid
Er is in de meeste sectoren een verkeerde opvatting dat technologie menselijke werknemers uiteindelijk helemaal zal vervangen. De farmaceutische sector vormt daar geen uitzondering op. En hoewel het waar is dat AI grote gegevensverzamelingen sneller kan analyseren, is het geen vervanging voor deskundige menselijke onderzoekers en clinici.
Tekort aan vaardigheden
Het implementeren van MedTech in het proces van medicijnontdekking vereist een nicheverzameling vaardigheden. Om de gegevens opgeschoond en de AI effectief te houden, hebben bedrijven werknemers nodig met niet alleen technische vaardigheden maar ook begrip van de wetenschappelijke kant van het proces, zoals medicijnontwerp, biologie en scheikunde. Het is moeilijk voor bedrijven om dat soort werknemers te vinden.
De toekomst van AI in farmaceutische medicijnontwikkeling
AI helpt onderzoekers om te innoveren, clinici om aan de vraag naar nauwkeurige medicatie te voldoen, en bedrijven om levensveranderende medicijnen op de markt te brengen. Elk jaar zijn er steeds meer partnerschappen tussen farmaceutische en technische bedrijven, en enorme investeringen in MedTech- en AI-startups.
We zien zelfs dat er gegevens worden gedeeld tussen grote farmaceutische bedrijven. De Machine Learning Ledger Orchestration for Drug Discovery, oftewel MELLODDY, is een consortium dat het delen van gegevens tussen zijn tientallen leden vereenvoudigt. MELLODDY gebruikt een blockchain-gebaseerd systeem waarmee bedrijven bedrijfseigen gegevens kunnen delen terwijl de vertrouwelijkheid wordt gehandhaafd. Onderzoekers kunnen bestaande gegevens benutten om hun proces van medicijnontdekking snel te starten en jaren aan ontwikkeling te besparen.
Versnel je onderzoek en ontwikkeling
Volg ons