Technologijos

Kaip AI pagreitinti vaistų atradimo modeliai keičia farmaciją

Dirbtinis intelektas perrašo vaistų kūrimo taisykles: nuo molekulių dizaino iki klinikinių tyrimų optimizavimo. Kaip AI modeliai mažina riziką, kainą ir laiką farmacijos sektoriuje.
2026 20 balandžio

Kaip AI pagreitinti vaistų atradimo modeliai keičia farmaciją

Farmacijos pramonė tyliai, bet labai greitai transformuojasi. Dirbtinio intelekto (AI) pagreitinti vaistų atradimo modeliai keičia tai, kaip kuriami, testuojami ir komercializuojami nauji vaistai – nuo ankstyvojo molekulių dizaino iki klinikinių tyrimų planavimo.

Jei anksčiau naujo vaisto kelias užtrukdavo 10–15 metų ir kainuodavo iki 2 mlrd. eurų, šiandien AI leidžia dalį šio kelio sutrumpinti iki mėnesių. Tai ne teorija – jau yra AI sukurti kandidatiniai vaistai, pasiekę klinikinius tyrimus, o didžiosios farmacijos bendrovės agresyviai investuoja į tokias technologijas.

Kas yra AI pagreitinti vaistų atradimo modeliai?

AI vaistų atradimo modeliai – tai algoritmai ir neuroniniai tinklai, kurie analizuoja milžiniškus biologinių, cheminių ir klinikinių duomenų kiekius, kad:

  • atrastų naujas molekules ar jų derinius, galinčius tapti vaistais;
  • prognozuotų, kaip šios molekulės veiks žmogaus organizmą;
  • įvertintų saugumą ir galimą toksiškumą dar prieš laboratorinius bandymus;
  • optimizuotų klinikinių tyrimų dizainą ir pacientų atranką.

Skirtingai nuo tradicinio „bandymų ir klaidų” metodo, AI modeliai remiasi duomenimis ir simuliacijomis, todėl gali per kelias valandas atlikti tai, kas laboratorijoms užtruktų mėnesius ar metus.

Pagrindiniai AI modelių tipai vaistų atradime

1. Generatyviniai modeliai molekulių dizainui

Generatyviniai modeliai (pvz., generatyviniai priešiniai tinklai – GAN, variaciniai autoenkoderiai – VAE, transformeriai) kuria naujas molekules nuo nulio. Jie mokosi iš esamų cheminių bibliotekų ir:

  • generuoja molekules su norimomis savybėmis (tirpumas, stabilumas, selektyvumas);
  • filtruoja kandidatus pagal tikėtiną toksiškumą ir šalutinius poveikius;
  • siūlo optimizuotas versijas jau žinomų junginių.

2024–2025 m. rinkoje jau veikia kelios platformos, kurios leidžia farmacijos įmonėms „užsakyti” molekules pagal tikslinį baltymą ar ligą, o AI per kelias dienas pateikia šimtus potencialių kandidatų.

2. Struktūriniai ir baltymų sąveikos modeliai

Po „AlphaFold“ proveržio baltymų struktūros prognozėje atsirado visa nauja AI įrankių karta, skirta:

  • tikslinių baltymų 3D struktūros modeliavimui;
  • junginių prisijungimo vietų (binding sites) nustatymui;
  • docking simuliacijoms – kaip molekulė prisijungs prie baltymo;
  • afiniteto ir selektyvumo prognozėms.

Tokie modeliai leidžia anksti atmesti silpnus kandidatus ir sutelkti išteklius į molekules, turinčias didžiausią tikimybę tapti veiksmingais vaistais.

3. ADME/Tox ir saugumo prognozavimo modeliai

ADME/Tox (absorbcija, pasiskirstymas, metabolizmas, šalinimas, toksiškumas) modeliai naudoja mašininį mokymąsi, kad:

  • prognozuotų, kaip vaistas bus pasisavinamas ir skaidomas;
  • įvertintų kepenų, širdies ar inkstų toksiškumo riziką;
  • nustatytų galimas vaistų sąveikas.

Šie modeliai ypač svarbūs, nes didelė dalis vaistų kandidatų žlunga būtent dėl saugumo problemų vėlyvose stadijose. AI padeda šias rizikas pamatyti daug anksčiau.

4. Klinikinių tyrimų optimizavimo modeliai

AI naudojamas ne tik laboratorijoje, bet ir klinikoje. Modeliai padeda:

  • parinkti tinkamas dozes ir tyrimo trukmę;
  • segmentuoti pacientus pagal genetinius, klinikinius ir elgsenos duomenis;
  • prognozuoti, kurie pacientai labiausiai reaguos į gydymą;
  • stebėti realaus pasaulio duomenis (RWD) ir koreguoti tyrimo eigą.

Tokie sprendimai mažina tyrimų nesėkmių riziką ir leidžia greičiau gauti reguliavimo institucijų patvirtinimus.

Kaip AI keičia tradicinį vaistų kūrimo procesą

Nuo linijinio prie iteratyvaus ir duomenimis grįsto modelio

Tradicinis vaistų kūrimo procesas buvo linijinis: atradimas → ikiklinikiniai tyrimai → klinikiniai tyrimai → registracija. AI įveda iteratyvų, nuolat besimokantį modelį, kuriame:

  • duomenys iš kiekvieno etapo grįžta į AI sistemas ir tobulina prognozes;
  • nesėkmingi kandidatai tampa vertingais mokymo duomenimis;
  • klinikinės įžvalgos naudojamos naujų molekulių dizainui.

Rezultatas – greitesnis, lankstesnis ir efektyvesnis vaistų kūrimo ciklas.

Laiko ir kaštų sutaupymas

Remiantis viešai skelbiamais 2023–2024 m. pramonės duomenimis, AI gali:

  • sutrumpinti ankstyvą atradimo etapą nuo 4–5 metų iki 1–2 metų ar net mėnesių konkretiems tikslams;
  • sumažinti eksperimentų skaičių laboratorijoje iki keliasdešimt kartų;
  • iki 20–40 % sumažinti bendras R&D išlaidas konkrečiuose projektuose.

Tai nereiškia, kad visada pavyks taip sutaupyti, tačiau tendencija aiški: AI tampa vienu svarbiausių konkurencinių pranašumų farmacijos rinkoje.

Realūs pavyzdžiai ir partnerystės rinkoje

Per pastaruosius kelerius metus pasirašyta dešimtys didelių sandorių tarp AI startuolių ir pasaulinių farmacijos lyderių. Nors konkrečios sumos ir projektai dažnai konfidencialūs, vieši pavyzdžiai rodo kelias aiškias kryptis:

  • Onkologija – AI naudojamas atrasti tikslines terapijas konkretiems navikų potipiams, remiantis genetiniais parašais;
  • Retos ligos – generatyviniai modeliai padeda rasti molekules siaurų, bet sudėtingų taikinių gydymui;
  • Infekcinės ligos – po COVID-19 pandemijos sustiprėjo susidomėjimas AI, galinčiu greitai reaguoti į naujus patogenus;
  • Neurologija – AI padeda analizuoti sudėtingus smegenų ligų mechanizmus ir ieškoti naujų veikimo taikinių.

Europos Sąjungoje, įskaitant Baltijos šalis, auga biotechnologijų ir AI centrų skaičius, o universitetai kuria jungtines programas tarp molekulinės biologijos, chemijos ir duomenų mokslo.

Privalumai farmacijos pramonei ir pacientams

Greitesnis inovacijų atėjimas į rinką

Kuo greičiau atrandami ir patvirtinami nauji vaistai, tuo greičiau pacientai gauna prieigą prie pažangesnių gydymo būdų. AI ypač svarbus ten, kur laikas kritiškas – onkologijoje, infekcinėse ligose, retų ligų gydyme.

Didesnė tikimybė sėkmingiems klinikiniams tyrimams

Istoriškai tik nedidelė dalis vaistų kandidatų pasiekdavo rinką. AI padeda:

  • anksti identifikuoti silpnus kandidatus;
  • geriau suprasti veikimo mechanizmus;
  • pasirinkti tinkamesnes pacientų grupes.

Visa tai didina sėkmės tikimybę ir mažina švaistomus išteklius.

Personalizuota medicina ir tikslingesnis gydymas

AI modeliai analizuoja genomikos, proteomikos, vaizdinius ir klinikinius duomenis, kad:

  • susietų konkrečius genetinius profilius su atsaku į vaistą;
  • padėtų kurti terapijas siauriau apibrėžtoms pacientų grupėms;
  • leisti gydytojams priimti labiau pagrįstus sprendimus realioje praktikoje.

Ilgainiui tai gali reikšti mažiau „vienas vaistas visiems” ir daugiau individualizuotų gydymo schemų.

Iššūkiai ir rizikos: ne tik technologijos klausimas

Duomenų kokybė ir prieinamumas

AI modeliai tokie geri, kokie geri duomenys, kuriais jie mokomi. Farmacijoje tai reiškia:

  • nevienodą klinikinių ir biologinių duomenų kokybę;
  • silpną retų ligų duomenų atstovavimą;
  • reglamentavimo ribojimus dėl pacientų privatumo (ypač ES pagal GDPR).

Norint pilnai išnaudoti AI potencialą, reikalingos saugios, standartizuotos ir tarpusavyje suderinamos duomenų infrastruktūros.

Reguliavimas ir skaidrumas

Reguliavimo institucijos (EMA, FDA ir kt.) vis dažniau susiduria su AI sukurtais vaistų kandidatais ir AI naudojimu klinikiniuose tyrimuose. Kyla klausimai:

  • kaip vertinti „juodos dėžės” modelių sprendimus;
  • kokio lygio paaiškinamumo reikia patvirtinimui;
  • kaip užtikrinti, kad modeliai neįtvirtintų šališkumo.

2024–2025 m. ES AI aktas ir kiti teisės aktai tiesiogiai paveiks, kaip AI bus naudojamas farmacijoje, todėl įmonėms teks derinti inovacijas su griežtais atitikties reikalavimais.

Etika ir pasitikėjimas

Pacientams ir gydytojams svarbu žinoti, kaip ir kodėl buvo priimti sprendimai dėl gydymo. Todėl farmacijos įmonės turi:

  • užtikrinti skaidrumą, kiek įmanoma paaiškinant AI vaidmenį;
  • stebėti ir audituoti modelių veikimą realioje praktikoje;
  • kurti tarpdisciplinines komandas (gydytojai, duomenų mokslininkai, bioetikai).

Kaip tam ruošiasi farmacijos įmonės ir startuoliai?

Hibridinės komandos ir nauji vaidmenys

Farmacijos bendrovėse atsiranda nauji vaidmenys:

  • AI produktų vadovai (AI product managers);
  • duomenų biologai ir cheminiai informatikai;
  • AI klinikinių tyrimų architektai.

Šios komandos jungia laboratorinę patirtį, klinikines žinias ir pažangų duomenų mokslą.

Atviri duomenys ir bendradarbiavimas

Norint treniruoti patikimus modelius, vienos įmonės duomenų dažnai nepakanka. Todėl daugėja:

  • konsorciumų tarp farmacijos bendrovių ir universitetų;
  • atvirų duomenų iniciatyvų (ypač retų ligų srityje);
  • platforminių sprendimų, leidžiančių saugiai dalintis anonimizuotais duomenimis.

Investicijos į AI infrastruktūrą

AI vaistų atradimas reikalauja didžiulių skaičiavimo resursų: GPU klasterių, debesijos infrastruktūros, specializuotų bibliotekų. Todėl farmacijos įmonės vis dažniau:

  • kuria vidinius AI centrus;
  • partneriauja su debesijos tiekėjais ir specializuotais AI startuoliais;
  • investuoja į duomenų inžineriją ir kokybės užtikrinimą.

Ką tai reiškia Lietuvai ir Baltijos regionui?

Lietuva turi stiprią IT ir fintech ekosistemą, kuri pamažu plečiasi į biotechnologijų ir sveikatos technologijų sritis. AI vaistų atradimo banga atveria kelias konkrečias galimybes:

  • kurti nišinius AI įrankius ir paslaugas tarptautinėms farmacijos įmonėms;
  • stiprinti universitetų ir verslo bendradarbiavimą biomedicinos ir duomenų mokslo sandūroje;
  • pritraukti klinikinius tyrimus, kuriuose naudojami AI pagrįsti pacientų atrankos ir stebėsenos sprendimai.

Jei šalis nuosekliai investuos į talentus, duomenų infrastruktūrą ir reguliacinę aplinką, AI pagreitintas vaistų atradimas gali tapti viena iš aukštos pridėtinės vertės specializacijų regione.

Ateities kryptys: nuo molekulių prie sisteminės medicinos

Artimiausiais metais AI vaistų atradimo modeliai judės nuo atskirų molekulių prognozavimo prie platesnio, sisteminio požiūrio:

  • integruos daugiasluoksnius duomenis (genomika, epigenomika, mikrobiomas, gyvenimo būdas);
  • modeliuos viso organizmo reakciją, o ne tik vieną taikinį;
  • padės kurti derinimo terapijas (keli vaistai, keli taikiniai);
  • susijungs su skaitmeniniais dvyniais (digital twins) – personalizuotomis organizmo simuliacijomis.

Farmacijos pramonei tai reiškia dar gilesnę integraciją su technologijų sektoriumi ir naujus verslo modelius, kuriuose duomenys ir algoritmai tampa tokie pat svarbūs, kaip molekulės ir klinikos.

Išvada

AI pagreitinti vaistų atradimo modeliai nebe futuristinė vizija, o realus farmacijos pramonės variklis. Jie trumpina laiką nuo idėjos iki klinikos, mažina nesėkmių skaičių ir atveria kelią personalizuotai medicinai.

Tuo pačiu išlieka iššūkiai – duomenų kokybė, reguliavimas, etika ir pasitikėjimas. Tačiau kryptis aiški: farmacija tampa vis labiau skaitmeninė, o tie, kurie sugebės derinti biologiją, chemiją ir dirbtinį intelektą, formuos rytojaus sveikatos priežiūrą.

DUK: AI ir vaistų atradimas

Kaip greitai AI gali pagreitinti vaistų kūrimą?

AI labiausiai pagreitina ankstyvą atradimo etapą – nuo taikinio identifikavimo iki pirmųjų molekulių kandidatų. Čia laikas gali sutrumpėti nuo kelerių metų iki kelių mėnesių, tačiau klinikiniai tyrimai vis tiek išlieka ilgi ir griežtai reguliuojami.

Ar AI pakeis mokslininkus farmacijos laboratorijose?

AI veikiau tampa galingu pagalbiniu įrankiu, o ne pakaitalu. Jis automatizuoja rutinines analizes, generuoja hipotezes ir padeda prioritetizuoti eksperimentus, tačiau galutinius sprendimus dėl dizaino, interpretacijos ir klinikinės reikšmės priima žmonės.

Ar AI sukurti vaistai bus saugūs pacientams?

Taip, jiems galios tie patys saugumo ir efektyvumo reikalavimai, kaip ir tradiciniams vaistams. AI naudojamas rizikoms sumažinti ir geriau jas numatyti, bet visi kandidatai vis tiek turi praeiti ikiklinikinius ir klinikinius tyrimus bei reguliavimo institucijų vertinimą.