DI pagreitinti vaistų atradimo modeliai ir jų įtaka farmacijos pramonei

Farmacijos pramonė išgyvena tylų, bet radikalų perversmą. Dirbtinis intelektas (DI) iš teorinio įrankio tapo realia varomąja jėga, kuri jau šiandien keičia, kaip atrandami, kuriami ir testuojami nauji vaistai. Nuo generatyvinių modelių, galinčių „sugalvoti“ naujas molekules, iki skaitmeninių dvynių ir virtualių klinikinių tyrimų – vaistų kūrimo ciklas trumpėja metais, o rizika ir kaina mažėja.

2024–2025 m. sandūroje praktiškai visos didžiosios farmacijos įmonės (Pfizer, Novartis, AstraZeneca ir kt.) viešai deklaruoja DI strategijas, o startuoliai, tokie kaip Insilico Medicine ar Exscientia, jau turi DI sukurtus kandidatus klinikiniuose tyrimuose. Tai nebėra eksperimentas – tai naujas standartas.

Kaip tradiciškai kuriami vaistai ir kodėl tai taip brangu

Tradicinis vaistų kūrimo procesas yra ilgas, brangus ir rizikingas. Nuo pirmos idėjos iki vaisto vaistinėje dažnai praeina 10–15 metų, o bendra kaina gali viršyti 1–2 mlrd. eurų. Didžioji dalis molekulių žlunga dar ankstyvuose etapuose arba klinikiniuose tyrimuose.

Pagrindiniai tradicinio proceso etapai

• Taikinio (target) identifikavimas – kokį baltymą, geną ar kelią reikia paveikti.
• Hitų paieška – tūkstančių ar milijonų molekulių tikrinimas laboratorijoje.
• Lead optimizacija – perspektyvių molekulių gerinimas, kad jos būtų veiksmingos ir saugios.
• Ikiklinikiniai tyrimai – bandymai ląstelių kultūrose ir gyvūnų modeliuose.
• Klinikiniai tyrimai – kelių fazių bandymai su žmonėmis.

Kiekviename žingsnyje prarandama daug laiko ir pinigų. Būtent čia DI pagreitinti vaistų atradimo modeliai daro didžiausią poveikį.

Kas yra DI pagreitinti vaistų atradimo modeliai

DI vaistų atradimo modeliai – tai algoritmai ir sistemos, kurios naudoja mašininį mokymąsi, giliuosius ir generatyvinius tinklus, kad automatizuotų ir optimizuotų vaistų kūrimo etapus. Jie gali:

• analizuoti milžiniškus biologinius ir klinikinius duomenų rinkinius,
• prognozuoti molekulių savybes ir šalutinius poveikius,
• generuoti visiškai naujas chemines struktūras,
• simuliuoti vaisto elgseną organizme,
• parinkti tinkamus pacientus klinikiniams tyrimams.

Skirtingai nuo klasikinės kompiuterinės chemijos, šiuolaikiniai DI modeliai mokosi iš realių eksperimentinių duomenų, nuolat tobulėja ir gali būti pritaikyti naujoms ligoms ar taikiniams daug greičiau nei žmogaus vadovaujami metodai.

Pagrindiniai DI modelių tipai vaistų atradime

1. Generatyviniai modeliai naujoms molekulėms kurti

Generatyviniai modeliai (GAN, VAE, difuziniai modeliai, dideli kalbiniai modeliai cheminėms struktūroms) gali „kurti“ naujas molekules, atitinkančias pageidaujamas savybes: tirpumą, afinitetą taikiniui, lipnumą, toksiškumo nebuvimą.

Pavyzdžiui, į sistemą įvedama informacija: „reikia molekulės, kuri stipriai jungtųsi prie konkretaus baltymo, bet nepereitų kraujo-smegenų barjero ir būtų gerai absorbuojama per burną“. Modelis per kelias valandas gali sugeneruoti tūkstančius kandidatų, kuriuos vėliau filtruos cheminės ir biologinės patikros.

• Privalumas: didžiulis cheminės erdvės padengimas, kurio žmogus fiziškai neįstengtų pasiekti.
• Nauda: sutrumpėja ankstyvoji hitų paieška nuo metų iki savaičių ar mėnesių.

2. Prognozavimo modeliai (QSAR, ADMET, struktūriniai modeliai)

Šie modeliai prognozuoja, kaip molekulė elgsis organizme:

• ADMET – absorbcija, pasiskirstymas, metabolizmas, ekskrecija, toksiškumas.
• QSAR – kiekybinis struktūros ir aktyvumo ryšys.
• Struktūriniai modeliai – kaip molekulė jungiasi prie baltymo (dockinimas, 3D struktūros).

Remiantis 2023–2024 m. publikacijomis, DI paremtos ADMET prognozės vis dažniau naudojamos kaip „vartai“ prieš brangius eksperimentus – atmetamos akivaizdžiai rizikingos molekulės, taip sumažinant nesėkmės tikimybę klinikoje.

3. Daugiarūšiai (multimodaliniai) modeliai

Nauja tendencija – modeliai, kurie vienu metu naudoja kelių tipų duomenis:

• genomikos (DNR, RNR sekos),
• proteomikos, metabolomikos,
• vaizdinius (audinių, ląstelių, radiologinius),
• elektronines sveikatos istorijas,
• klinikinio tyrimo duomenis.

Tokių modelių tikslas – suprasti ligą ir vaisto poveikį kaip visumą, o ne atskirus parametrus. Tai ypač svarbu onkologijoje ir autoimuninėse ligose, kur vienas biomarkeris dažnai nepakankamas.

4. Skaitmeniniai dvyniai ir simuliacijos

Skaitmeninis dvynys – tai virtualus paciento modelis, paremtas jo biometriniais, genetiniais ir klinikiniais duomenimis. Vaistų kūrime tokie modeliai leidžia:

• simuliuoti, kaip skirtingos dozės ar deriniai veiktų konkretų pacientą ar pacientų grupę,
• optimizuoti klinikinių tyrimų dizainą,
• geriau prognozuoti šalutinius poveikius.

Nors visiškai tikslūs skaitmeniniai dvyniai dar tik kuriami, jau dabar farmacijos įmonės naudoja DI simuliacijas farmakokinetikai ir farmakodinamikai modeliuoti.

Kaip DI keičia kiekvieną vaistų kūrimo etapą

Taikinio identifikavimas ir ligos biologijos supratimas

DI gali analizuoti milžiniškus omikos (genomikos, proteomikos ir kt.) duomenų rinkinius ir atrasti naujus ligos mechanizmus. 2024 m. daugėja pavyzdžių, kai nauji vaistų taikiniai atrandami ne hipotezės pagrindu, o duomenų analize:

• DI modeliai suranda genų ir baltymų tinklus, kurie kartu lemia ligos eigą.
• Identifikuojamos pacientų pogrupės, kuriems reikalingas skirtingas gydymas.

Rezultatas – tikslesni taikiniai ir mažesnė rizika, kad vaistas „nepataikys“ į svarbiausią ligos mechanizmą.

Hitų paieška ir lead optimizacija

Čia DI jau dabar turi aiškiai pamatuojamą naudą:

• virtualus skriningas pakeičia dalį laboratorinių bandymų,
• generatyviniai modeliai siūlo struktūras, kurių cheminiai bankai neturi,
• optimizuojamos molekulės keliems kriterijams vienu metu (efektyvumas, saugumas, sintezės paprastumas).

Vietoje to, kad būtų testuojama 1 mln. molekulių, DI gali atrinkti 1–2 tūkst. pačių perspektyviausių, taip sutaupant mėnesius laboratorinio darbo.

Ikiklinikiniai tyrimai

DI modeliai padeda:

• prognozuoti toksiškumą dar prieš bandymus su gyvūnais,
• parinkti tinkamiausias gyvūnų rūšis ir dozes,
• analizuoti vaizdinius duomenis (histologiją, mikroskopiją) automatiškai.

Ilgainiui tai gali sumažinti gyvūnų bandymų skaičių, nes daugiau sprendimų priimama remiantis simuliacijomis ir in vitro modeliais, sustiprintais DI analize.

Klinikiniai tyrimai

Viena didžiausių farmacijos problemų – brangūs ir dažnai nesėkmingi klinikiniai tyrimai. DI čia padeda keliais lygmenimis:

• Pacientų atranka: algoritmai pagal medicininius įrašus ir biomarkerius atranda labiausiai tinkamus dalyvius.
• Prognozuojami atsakai: modeliai numato, kurie pacientai greičiausiai reaguos į gydymą.
• Duomenų analizė: realiu laiku stebimos tendencijos, šalutiniai poveikiai, efektyvumo signalai.

2024 m. JAV ir ES reguliuotojai vis aktyviau aptaria DI naudojimą adaptuojamuose klinikiniuose tyrimuose, kur tyrimo dizainas gali keistis pagal tarpinius rezultatus – tai dar labiau didina efektyvumą.

Konkreti DI įtaka farmacijos pramonei

Laiko ir kaštų mažinimas

Nors tikslius skaičius sunku apibendrinti, analitinės įmonės ir pačios farmacijos bendrovės dažnai mini tokias tendencijas:

• ankstyvojo vaistų atradimo ciklas sutrumpėja 30–50 %,
• kandidatų, patenkančių į kliniką, kokybė gerėja (mažiau „akivaizdžių“ nesėkmių),
• mažėja nesėkmingų projektų skaičius dar prieš brangius tyrimus.

Jei anksčiau buvo normalu, kad tik 1 iš 10 kliniką pasiekusių molekulių tampa vaistu, DI tikslas – šį santykį pagerinti bent kelis kartus.

Naujų ligų ir nišinių indikacijų atvėrimas

DI modeliai leidžia ekonomiškai pagrįsti vaistų kūrimą ten, kur anksčiau tai atrodė per brangu ar per sudėtinga:

• retos ligos, kur pacientų mažai,
• kompleksinės ligos su daug biomarkerių,
• deriniai ir sekos (ypač onkologijoje),
• personalizuotos terapijos mažoms pacientų grupėms.

Farmacijos verslo modelis pamažu juda nuo „vieno vaisto milijonams“ prie „tikslaus vaisto tūkstančiams“ – ir DI čia yra būtina sąlyga.

Naujų verslo modelių atsiradimas

DI keičia ne tik laboratoriją, bet ir visą farmacijos ekosistemą:

• „AI-first“ biotechnologijos – įmonės, kurios neturi didelių laboratorijų, bet turi stiprius duomenų ir DI pajėgumus.
• Platforminiai sandoriai – didžiosios farmacijos bendrovės licencijuoja ne pavienius vaistus, o DI platformas, kurios generuoja daug kandidatų.
• Duomenų partnerystės – ligoninės, draudikai ir technologijų įmonės dalijasi anonimizuotais duomenimis, kad būtų galima treniruoti modelius.

2024 m. rinkoje daugėja sandorių, kai DI startuoliai gauna milžiniškas išankstines įmokas ir galimus „milestone“ mokėjimus, jei jų DI sukurti kandidatai pasiekia tam tikrus klinikinius etapus.

Reguliaciniai ir etiniai iššūkiai

Reguliuotojų požiūris

Europos vaistų agentūra (EMA) ir JAV FDA pastaraisiais metais išleido gaires, susijusias su DI naudojimu medicinoje ir klinikiniuose tyrimuose. Pagrindiniai principai:

• skaidrumas – reikia suprasti, kaip modelis priima sprendimus,
• validacija – DI modeliai turi būti tikrinami taip pat griežtai, kaip ir diagnostiniai testai,
• duomenų kokybė – „šiukšlės įeina, šiukšlės išeina“ galioja ir DI,
• šališkumo mažinimas – būtina užtikrinti, kad modeliai neveiktų blogiau tam tikroms pacientų grupėms.

DI negali pakeisti klinikinių įrodymų – jis gali padėti juos gauti greičiau ir tikslingiau, bet galutinis sprendimas dėl vaisto veiksmingumo ir saugumo vis tiek remiasi realiais duomenimis iš žmonių.

Duomenų apsauga ir privatumas

Vaistų atradime naudojami jautrūs pacientų duomenys: genetinė informacija, ligos istorijos, vaizdai. ES BDAR (GDPR) ir naujasis ES DI aktas kelia griežtus reikalavimus:

• anonimizacija ir pseudonimizacija,
• aiškus sutikimas,
• duomenų naudojimo tikslų apibrėžimas,
• saugumo ir kibernetinės gynybos priemonės.

Farmacijos įmonėms tai reiškia būtinybę investuoti ne tik į DI mokslininkus, bet ir į teisininkus, duomenų apsaugos pareigūnus bei IT infrastruktūrą.

DI vaistų atradimo modelių ateitis

Integruotos „nuo taikinio iki paciento“ platformos

Iki 2030 m. tikėtina, kad dauguma didžiųjų farmacijos bendrovių naudos integruotas DI platformas, kurios apims visą ciklą:

1. taikinio identifikavimą,
2. molekulių generavimą ir optimizavimą,
3. ikiklinikines simuliacijas,
4. klinikinio tyrimo dizainą ir pacientų atranką,
5. realiojo pasaulio duomenų analizę po vaisto pateikimo į rinką.

Toks „uždaras ciklas“ leis nuolat mokytis iš naujų duomenų ir greitai atnaujinti tiek modelius, tiek klinikines rekomendacijas.

Personalizuota ir adaptuojama farmakoterapija

DI modeliai vis labiau bus naudojami ne tik vaistams kurti, bet ir juos skirti:

• parenkant vaistą ir dozę pagal paciento genetinį profilį ir biomarkerius,
• adaptyviai koreguojant gydymą pagal realaus laiko duomenis (pvz., iš dėvimų įrenginių),
• prognozuojant ilgalaikę naudą ir riziką konkrečiam žmogui.

Farmacijos bendrovėms tai reikš perėjimą nuo „produktų“ prie „sprendimų“ – vaistas bus tik dalis platesnio skaitmeninio gydymo paketo.

DI ir žmogaus sinergija, o ne konkurencija

Nors DI dažnai vaizduojamas kaip „mokslininko pakaitalas“, realybėje didžiausią vertę kuria žmogaus ir algoritmo tandemas. DI gali:

• greitai generuoti hipotezes ir kandidatus,
• aptikti netikėtus ryšius tarp duomenų,
• automatizuoti rutinines analizes.

Tačiau eksperimentų dizainas, rezultatų interpretacija, klinikinės intuicijos ir etiniai sprendimai vis dar išlieka žmogaus atsakomybė. Tai reiškia, kad farmacijos sektoriuje daugės tarpdisciplininių komandų: chemikai, biologai, gydytojai, duomenų mokslininkai ir DI inžinieriai dirbs petys į petį.

Išvados: ką tai reiškia farmacijos pramonei ir pacientams

DI pagreitinti vaistų atradimo modeliai jau dabar keičia farmacijos pramonės taisykles:

• trumpėja laikas nuo idėjos iki klinikos,
• mažėja nesėkmių ir „aklaviečių“ skaičius,
• atsiveria galimybės kurti vaistus retoms ir sudėtingoms ligoms,
• gimsta nauji verslo ir bendradarbiavimo modeliai.

Pacientams tai reiškia greitesnę prieigą prie inovatyvių terapijų, didesnę gydymo personalizaciją ir galimybę, kad net retos ar sudėtingos ligos sulauks efektyvių sprendimų. Tačiau kartu išlieka būtinybė atsakingai tvarkyti duomenis, užtikrinti DI skaidrumą ir išvengti šališkumo.

Farmacijos įmonėms, kurios nori likti konkurencingos 2025 m. ir vėliau, DI jau nebėra pasirinkimas – tai tapo būtina inovacijų infrastruktūros dalimi.

DUK apie DI vaistų atradimo modelius

Ar DI gali visiškai pakeisti mokslininkus vaistų kūrime?

Ne. DI yra galingas įrankis, kuris automatizuoja duomenų analizę, generuoja molekules ir padeda priimti sprendimus, tačiau jis nepakeičia žmogaus kūrybiškumo, biologinės intuicijos ir etinio vertinimo. Didžiausią vertę sukuria DI ir patyrusių mokslininkų bendradarbiavimas.

Ar DI sukurti vaistai yra saugūs pacientams?

Taip pat kaip ir tradiciškai sukurti vaistai, DI sukurti kandidatai privalo pereiti visus ikiklinikinius ir klinikinius tyrimus. Reguliuotojai vertina ne tai, kaip vaistas buvo atrastas, o jo veiksmingumo ir saugumo įrodymus. DI padeda greičiau atrasti geresnius kandidatus, bet saugumo standartai išlieka tokie pat griežti.

Kaip DI keičia vaistų kainas ir prieinamumą?

DI potencialiai mažina vaistų kūrimo kaštus ir riziką, todėl ilgainiui tai gali prisidėti prie kainų stabilizavimo ar net mažėjimo. Tačiau galutinę kainą lemia daug veiksnių: rinkos dydis, konkurencija, kompensavimo politika. Svarbiausia, kad DI leidžia kurti vaistus ir ten, kur anksčiau tai buvo ekonomiškai neįmanoma – pavyzdžiui, retoms ligoms.