Parengta pagal BBC Inovation
Vaizdo skambučio metu Aleksas Žavoronkovas parodo mažą, žalią, deimanto formos tabletę. Ją sukūrė jo įmonė, siekdama gydyti retą progresuojančią plaučių ligą, kurios priežastis ar gydymo būdas iki šiol nėra žinomi.
Naujasis vaistas dar nepatvirtintas, tačiau nedideli klinikiniai tyrimai parodė įspūdingą efektyvumą gydant idiopatinę plaučių fibrozę (IPF). Tai vienas iš naujos kartos vaistų, kurių atradime dirbtinis intelektas atliko esminį vaidmenį.
„Negalime teigti, kad turime pirmąją DI sukurtą ir suprojektuotą molekulę, kuri būtų patvirtinta,“ – sako dr. Žavoronkovas, JAV startuolio „Insilico Medicine“ bendraįkūrėjas ir generalinis direktorius. „Tačiau galbūt mes esame toliausiai pažengę šiuo keliu.“
Sveiki atvykę į didžiąsias DI lenktynes kuriant vaistus, kur daugybė įmonių pasitelkia dirbtinio intelekto galią, kad atliktų tai, kas tradiciškai buvo medicininių chemikų darbas.
Tarp šių įmonių yra mažesnės, specializuotos DI pagrindu veikiančios biotechnologijų įmonės, atsiradusios per pastarąjį dešimtmetį, taip pat didesnės farmacijos firmos, kurios arba vykdo tyrimus pačios, arba bendradarbiauja su mažesnėmis įmonėmis
Tarp naujų žaidėjų yra „Alphabet“, „Google“ patronuojanti bendrovė, kuri 2021 metų pabaigoje įsteigė JK įsikūrusią DI vaistų atradimo įmonę „Isomorphic Labs“.
Jos generalinis direktorius Demis Hassabis šiemet pelnė Nobelio chemijos premiją už DI modelį, kuris, tikimasi, bus naudingas DI pagrįstam vaistų kūrimui.
Naudojant dirbtinį intelektą vaistų atradimui, tai gali „milžiniškai pakeisti“ pacientų gyvenimus, sako Chris Meier iš „Boston Consulting Group“ (BCG). Naujų vaistų pateikimas rinkai vidutiniškai trunka 10–15 metų ir kainuoja daugiau nei 2 mlrd. dolerių (apie 1,6 mlrd. svarų sterlingų).
Tai taip pat yra rizikinga: maždaug 90% vaistų, kurie patenka į klinikinius tyrimus, nepasiteisina. Tikimasi, kad DI naudojimas vaistų atradimo procese galėtų sutrumpinti laiką ir sumažinti kaštus bei padidinti sėkmės tikimybę.
„Atsiranda nauja era, kai DI tampa vaistų atradimo proceso centru“, – sako Šarlotė Deane, Oksfordo universiteto struktūrinės bioinformatikos profesorė, kuri kuria nemokamus DI įrankius, padedančius farmacijos įmonėms ir kitiems tobulinti vaistų atradimą.
„Mes tik pradedame suprasti, kokie geri šie metodai gali būti,“ – sako ji.
Ekspertai teigia, kad mažesnio farmacijos mokslininkų skaičiaus tai greičiausiai nereiškia – tikrieji sutaupymai bus pasiekti, jei sumažės nesėkmių skaičius, – tačiau tai reikš darbą partnerystėje su DI.
Pirmasis etapas – tai terapinio taikinio nustatymas molekuliniu lygmeniu, siekiant koreguoti tam tikrą ligos paveiktą geną ar baltymą. Tradiciškai mokslininkai potencialius taikinius eksperimentuoja laboratorijoje remdamiesi tuo, ką jie žino apie ligą. Tuo tarpu DI galima išmokyti analizuoti didžiules duomenų bazes, kuriose jis gali nustatyti ryšius tarp molekulinės biologijos ir ligos bei pateikti pasiūlymus.
Antrasis etapas – kur kas dažnesnis – yra vaisto, kuris koreguotų pasirinktą taikinį, kūrimas. Šiame procese naudojamas generatyvinis DI (tas pats, kuris naudojamas ir ChatGPT pagrindu), siekiant įsivaizduoti molekules, kurios galėtų prisijungti prie taikinio ir veikti. Tai pakeičia brangų rankinį procesą, kai chemikai sintezuoja šimtus tos pačios molekulės variantų ir testuoja juos, kad surastų optimalų.
„Insilico Medicine“, įkurta 2014 m. ir gavusi daugiau nei 425 mln. dolerių finansavimą, naudojo DI abiejuose vaistų atradimo etapuose, taip pat prognozuodama sėkmės tikimybę klinikiniuose tyrimuose. Šios prognozės vėliau integruojamos atgal į vaistų atradimo procesą.
Šiuo metu įmonė turi šešias molekules klinikiniuose tyrimuose, įskaitant skirtą IPF gydymui, kurio kito etapo tyrimai jau planuojami. Be to, keturios molekulės jau gavo leidimą pradėti klinikinius tyrimus, o beveik 30 kitų rodo daug žadančių rezultatų.
„Visos jos buvo „atrastos nuo nulio naudojant generatyvinį DI“, – teigia dr. Žavoronkovas. „Mūsų mašinos „sapnuoja“, kol sukuria tobulą vaistą, atitinkantį visus mūsų kriterijus.“
Nauja molekulė IPF gydymui buvo sukurta įmonės generatyvinio DI programinės įrangos, kai jai buvo pateikta užduotis slopinti baltymą TNIK, kuris iki šiol niekada nebuvo pasirinktas kaip IPF gydymo taikinys. Tačiau kita įmonės DI programinė įranga TNIK pasiūlė kaip labiausiai tikėtiną ligos reguliatorių.
Sistemos pasiūlyti variantai buvo sintezuoti ir išbandyti.
Pasak dr. Žavoronkovo, atradimo procesas buvo kur kas greitesnis ir efektyvesnis nei įprasta pramonėje. Jis truko 18 mėnesių ir reikalavo sintezuoti bei išbandyti 79 molekules, nors paprastai tokie procesai trunka apie ketverius metus ir reikalauja mažiausiai 500 molekulių sintezės.
Kai kurių kitų „Insilico“ molekulių atradimo procesai, kaip teigia dr. Žavoronkovas, reikalavo dar mažiau pastangų.
Ekspertai teigia, kad didžiausias iššūkis šioje srityje yra duomenų trūkumas, iš kurių DI galėtų mokytis. Ši problema paveikia tiek taikinių nustatymą, tiek molekulių kūrimą ir gali sukelti šališkumus.
JAV įsikūrusi „Recursion Pharmaceuticals“ teigia, kad jų požiūris mažina su ribotais duomenimis susijusias problemas. Naudodama automatizuotus eksperimentus, įmonė generuoja milžinišką kiekį duomenų, susijusių su visa žmogaus kūną sudarančių molekulių kolekcija. Po to DI įrankiai yra mokomi analizuoti šiuos duomenis ir atrasti netikėtus ryšius. Tam padėti pernai įmonė įsigijo, kaip teigia pati, greičiausią farmacijos įmonės valdomą superkompiuterį pasaulyje.
„Recursion“ jau pasiekė tam tikros sėkmės. Viena įmonės sukurta molekulė, skirta tiek limfomos, tiek kietųjų navikų gydymui, šiuo metu testuojama vėžiu sergantiems pacientams ankstyvosiose klinikinių tyrimų stadijose.
Ši molekulė buvo sukurta po to, kai DI aptiko naują būdą taikytis į geną, kuris, kaip manoma, yra svarbus šių vėžių atsiradimui, tačiau anksčiau niekam nepavyko nustatyti, kaip tiksliai jį paveikti.
„Recursion“ bendraįkūrėjas ir generalinis direktorius Chris Gibson teigia, kad svarbiausias veiksnys šioje srityje yra tai, ko dar niekas – nei „Recursion“, nei kitos įmonės – nėra pademonstravę: kad DI sukurtos molekulės gali sėkmingai pereiti visus klinikinių tyrimų etapus ir ilgainiui padidinti sėkmės tikimybę, palyginti su tradiciniais metodais.
Kai tai įvyks, pasak dr. Gibsono, „visam pasauliui taps akivaizdu, kad tai yra tinkamas kelias“.
