AIによる創薬が爆発的に進んでいます。 誇張されているかどうかにかかわらず、AI 創薬への投資は 2014 年の 4 億 5,000 万ドルから 2021 年にはなんと 580 億ドルに た。バイエル、アストラゼネカ、武田薬品、サノフィ、メルク、ファイザーを含むすべての製薬大手は、コスト効率、スピード、精度をプロセスにもたらす 。 跳ね上がり まし 新時代の AI ソリューション 従来の創薬は長い間困難であることが知られていました。新薬を市場に出すには かかり、 の費用がかかります。そして、これは臨床試験で成功した薬の場合にのみ当てはまります (成功するのは 10 分の 1 だけです)。 、少なくとも 10 年 13 億ドル したがって、医薬品を発見して設計する新しい方法を見つけることに関心があります。 AI はすでに有望な治療法の候補を特定するのに役立っており、数年もかからず、数か月、さらには数日もかかりませんでした。 この記事では、AI 創薬が業界をどのように変えているかを探ります。成功事例、AI の利点、および制限について見ていきます。行こう。 薬はどのように発見されるか 創薬プロセスは通常、科学者が病気に関与する特定のタンパク質やホルモンなどの体内の標的を特定することから始まります。次に、次のようなさまざまな方法を使用して、可能な解決策である医薬品候補を見つけます。 : 科学者は、以前に作成した化合物 (天然物または化学物質) のライブラリをスクリーニングして、それらのいずれかが目的の活性またはターゲットとの相互作用を持っているかどうかを確認できます。 既存の化合物のスクリーニング : コンピュータ モデリングとシミュレーションを使用して、目的を達成できる新しい化合物を開発できます。このアプローチは、サイズが 1,500 ダルトン未満の化学合成化合物である低分子医薬品の作成に使用されます。 de novo 創薬 : 研究者は、抗体、酵素、タンパク質などの生体分子を生成して、薬として機能させることもできます。これには、標的と相互作用できる生物からの分子の分離または合成が含まれます。小分子と比較して、そのような分子は通常、より大きく、より複雑です。 生物製剤 : 科学者は、別の目的で開発された化合物を調べて、問題の疾患に対する治療の可能性があるかどうかを確認できます。 転用 潜在的な薬剤候補 (リード化合物と呼ばれる) が見つかると、それを細胞または動物でテストした後、健康なボランティアの小さなグループから始めて、次は病気に苦しむ患者のより大きなグループに進む、3 つのフェーズを含む臨床試験に進みます。特定の条件。 AI の適用方法 ます。 人工知能は、高度な計算方法を使用して、視覚、音声認識、意思決定、言語理解などの人間の知性の要素を模倣するさまざまなテクノロジとアプローチをカバーしてい AI は 1950 年代に単純な一連の「if, then ルール」として始まり、より複雑なアルゴリズムが開発されてから 20 年後に医療に導入されました。 2000 年代にディープ ラーニングが登場して以来、 は拡大してきました。 ヘルスケアにおける AI アプリケーション いくつかの AI テクノロジーが医薬品の設計に力を与えています。 機械学習 は、コンピューター アルゴリズムをトレーニングしてデータから学習し、そのパフォーマンスを向上させることに重点を置いています。明示的にプログラムする必要はありません。 機械学習 (ML) ML ソリューションにはさまざまなブランチが含まれており、それぞれに独自の特徴と方法論があります。これらのブランチには、教師あり学習と教師なし学習、および強化学習が含まれ、それぞれに、線形回帰、ニューラル ネットワーク、サポート ベクター マシンなど、特定の目標を達成するために使用されるさまざまなアルゴリズム手法があります。 ML にはさまざまな応用分野があり、そのうちの 1 つは AI 創薬の分野で、次のことが可能になります。 潜在的な医薬品候補を特定するための化合物の仮想スクリーニング 薬効と毒性の予測モデリング 創薬の新たなターゲットの特定 生物から収集された大規模なゲノムおよびプロテオミクス データの解析 (DNA シーケンス、遺伝子発現レベル、タンパク質構造など) 投薬と治療計画の最適化 治療に対する患者の反応の予測モデリング ディープラーニング ディープ ラーニング (DL) は、人工ニューラル ネットワーク (ANN) の使用に基づく ML のサブセットです。 ANN は、「シナプス」と呼ばれる経路によって接続された相互接続されたノードまたは「ニューロン」で構成されています。人間の脳と同様に、これらのニューロンは連携して情報を処理し、予測や決定を下します。ニューラル ネットワークは、相互接続されたニューロンの層が多いほど、「深く」なります。 構造化データ内のパターンのみを識別できる教師ありおよび半教師ありの学習アルゴリズムとは異なり、DL モデルは、膨大な量の を処理し、人間からの監督をほとんど受けずに、より高度な予測を行うことができます。 非構造化データ AI創薬では、DLは次の目的で使用されます。 ターゲットに結合する可能性が高いヒットを識別するための化合物ライブラリーの仮想スクリーニングの改善 疾患関連の表現型、疾患メカニズム、または薬物の毒性を理解するための画像ベースのプロファイリング 薬物が体内でどのように吸収、分布、代謝、排泄されるか (薬物動態特性) のより正確な予測 薬物標的相互作用と結合親和性の予測 現在同定されている創薬標的の大部分を占めるタンパク質の構造予測 望ましい物理的、化学的、および生物活性特性を備えた新規薬物様化合物の生成 臨床試験プロセスとプロトコル設計の自動化 自然言語処理 (NLP) NLP は、人間の言語を分析、理解、生成するために、言語学、数学、コンピューター サイエンス (DL モデルを含む) の手法の組み合わせに依存しています。 AI 創薬研究では、多くの場合、NLP を使用して構造化データと非構造化データの両方から情報を抽出し、次のことを達成します。 科学文献のテキストマイニングにより、化学物質/薬物の実体、それらの標的、および新規疾患関連経路の間の関連性を特定 構造化されていない電子医療記録 (EHR) から構造化された情報 (患者の人口統計、診断、投薬など) を抽出する ソーシャル メディア、ニュース記事、その他のソースからのテキスト データを分析することにより、薬物有害事象を特定する プロトコルに基づいて臨床試験の適格基準を決定し、患者を試験に適合させる 医薬品情報の要約 AI創薬が今話題の理由 ここ数年、製薬業界の企業は AI を自社の研究方法に組み込むための措置を講じてきました。これには、社内の AI チームの構築、 と の雇用、AI に焦点を当てたスタートアップの支援、テクノロジー企業や研究センターとの提携が含まれます。 AI ヘルスケアの専門家 データ アナリスト さまざまな要因が組み合わさって、この傾向が進んでいます。 コンピューターの能力の向上と新しい AI の開発 最近の技術の進歩により、AI 創薬研究の従来の焦点が変わりました。 この分野の企業の大部分 ( によると、2022 年には約 150 社) は、計算による表現と大規模な比較が容易な低分子の設計に忙殺され続けているため、AI の新しいアプリケーションへの関心も高まっています。創薬で。 BiopharmaTrend AI Report 多くの企業が、生物製剤の設計 (77 社) や疾患の存在または進行を示すバイオマーカーの発見 (59 社) に AI を採用し始めています。また、包括的な AI 創薬プラットフォームの構築、新しいターゲットの特定、またはオントロジー (化合物、タンパク質、疾患などのさまざまなエンティティ間の関係の構造化された表現) の作成に焦点を当てている人もいます。 AI ツールへのアクセスの拡大 AI 人材の不足は衰える兆しを見せていないため、AI 創薬への参入障壁は実際に低下しています。テクノロジー ベンダーや大手製薬会社は、ますます高度化する AI プラットフォームをリリースしています。これには、AI の専門家でなくても人工知能を研究に統合できるようにする、すぐに使用できるコード不要のドラッグ アンド ドロップ システムが含まれます。これらの開発は、業界による AI の採用の加速に大きな役割を果たしています。 AI 対応の成功事例 学界と産業界で進められている AI 創薬プロジェクトは、創薬のバリュー チェーン全体で最初の成功した結果をすでに生み出しています。例は次のとおりです。 DeepMind は、1 次元のアミノ酸配列からタンパク質の 3D 構造を予測できる AI システム AlphaFold を構築しました。これは、通常は数か月または数年かかるのではなく、数秒で予測できます。このシステムは、動物、植物、細菌、菌類、およびその他の生物に属する 2 億を超えるタンパク質構造を予測するために使用されました。 ワシントン大学の研究者は、ゲーム コンピューターを使用して 10 分以内にタンパク質構造を計算するディープ ラーニング モデルを開発しました。 Deep Genomics は、AI テクノロジーを使用して 2,400 を超える疾患と 100,000 の変異をスクリーニングし、ウィルソン病の変異における正確な疾患原因メカニズムを予測し、18 か月で DG12P1 薬を作成しました。 アラジンは、仮想スクリーニング、ヒットツーリード、リード最適化、および前臨床段階での商用利用のための独自の AI 創薬プラットフォームをリリースしました。このプラットフォームは、Aladdin が加齢に伴う疾患の潜在的な治療法となる多くの薬物化合物を特定するのに役立ちました。 IBM は、コグニティブ コンピューティング機能を備えた Watson システムを開発しました。このシステムは、製薬業界が患者をその状態に適した臨床試験に適合させるために使用しています。乳がんの臨床試験では、このプラットフォームにより、登録者数が 80% 増加し、試験のマッチング時間が短縮されたことが実証されました。 AbCellera が COVID-19 のウイルス変異体を中和するモノクローナル抗体を開発し、米国食品医薬品局 (FDA) から承認を得るまでに 3 か月もかかりませんでした。 BenevolentAI は、自社のナレッジ グラフと AI ツールを組み合わせて、バリシチニブが COVID-19 の潜在的な治療法であることを数日で明らかにしました。 BioXcel Therapeutics は、統合失調症および双極性障害患者の鎮静剤としてのデクスメデトミジンの発見を加速させました。同社は、デクスメデトミジン (IgalmiTM) の独自の舌下フィルムの FDA 承認を、初のヒト試験から 4 年足らずで取得しました。 AI を使用して、Exscientia は 3 つの低分子を設計し、2 年間にわたる臨床試験 (アルツハイマー病精神病、強迫性障害、および免疫腫瘍学の治療) に入る予定です。 2023 年初頭、Insilico は、特発性肺線維症 (IPF) を治療するために、AI が発見した新規標的に対する最初の AI 設計の新規分子の第 1 相臨床試験で肯定的なトップライン結果を報告しました。 2021 年には、COVID-19、腫瘍学、神経学などの治療分野で、 が臨床段階に達しました。 13 の AI 由来の生物製剤 AI 創薬における利点と課題 AI は、製薬業界に革命を起こす可能性を秘めた強力なツールです。膨大な量のデータを分析して予測を行う能力を備えた人工知能は、以下を可能にすることで、研究者が創薬プロセスを長い間妨げてきた障害を克服するのに役立ちます。 発見および前臨床段階のタイムラインの短縮 医薬品の有効性と安全性に関するより正確な予測 薬の効果と病気に関する予想外の新しい洞察 新しい研究ラインと新しい研究開発戦略 迅速な分析と自動化によるコスト削減 Insider Intelligence によると、AI は製薬業界の創薬コストを最大 70% 節約できます。創薬における AI の可能性は非常に魅力的ですが、AI を最大限に活用するには、まず解決しなければならない障害がいくつかあります。 データ AIに関して言えば、それは常に入力データに帰着します。統合を許さないデータ サイロとレガシー システムは、あらゆる分野での AI 研究の大きなハードルです。製薬業界では、この問題はさらに顕著になる可能性があります。 でしたが、彼らが持っているデータの山は、元の研究者が決して考えなかった質問への答えを提供するかもしれません. 製薬会社は伝統的に、臨床研究からの結果であろうと匿名化された患者情報の結果であろうと、データの共有が苦手 最終的にデータを共有することになると、創薬に不可欠なタンパク質-リガンド結合親和性を予測するために使用される 、不完全、一貫性がない、または偏っていることがよくあります。場合によっては、データが母集団全体を反映していない可能性があり、AI モデルは現実世界のシナリオでは不十分である可能性があります。 データセットの場合のように 複雑 生物学的システムは非常に複雑であるため、AI を利用した分析と、その行動の時間的および空間的変化の予測は困難です。 生物学的システム内には、膨大な数の複雑で動的な相互作用があり、タンパク質、遺伝子、細胞などの各要素が複数の機能を持ち、遺伝的変異、環境条件、病状などの複数の要因の影響を受ける可能性があります。 異なる要素間の相互作用も非線形になる可能性があります。つまり、1 つの要素の小さな変化がシステム全体に大きな変化をもたらす可能性があります。たとえば、細胞分裂を制御する単一の遺伝子が腫瘍の成長に大きな影響を与えたり、複数のタンパク質間の相互作用が細胞の細胞骨格などの非常に特異的で複雑な構造の発生につながる可能性があります。 もう 1 つの課題は、AI 創薬ツールを扱う資格のあるスタッフが不足していることです。 解釈可能性 AI 創薬におけるニューラル ネットワークの使用は、可能性の限界を押し広げましたが、その解釈可能性の欠如が大きな課題となっています。ブラック ボックスと呼ばれるこのような AI モデルは、可能な限り最も正確な予測を生成する可能性がありますが、エンジニアでさえその背後にある理由を説明することはできません。これは、各レイヤーの出力を理解する複雑さがレイヤーの数が増えるにつれてエスカレートする深層学習では特に困難です。 この透明性の欠如は、欠陥のあるソリューションにつながり、研究者、医療専門家、規制機関の間で AI への信頼を低下させる可能性があります。この課題に対処するために、 説明可能で信頼できる AI を開発する必要性が高まっています。 まとめ 患者の状況を一変させる新薬が続々と登場しています。 1980 年代に HIV が AIDS の原因として特定されてからわずか 15 年後、製薬業界は、ウイルスに感染した人々が通常の寿命を延ばすことを可能にする多剤療法を開発しました。ノバルティスのグリベックは、白血病患者の寿命を延ばします。 Vertex Pharmaceuticals の Incivek は、C 型肝炎の治癒率を 2 倍にしました。メルクのキイトルーダは、患者が黒色腫を切除する手術を受けた後に癌が再発するリスクを 35% 低減します。 しかし、すべての新薬が同じように作られるわけではありません。 ドイツで実施され 、既存の治療法よりも有意な利点を提供したのは 25% のみであることが明らかになりました。残りの薬は、最小限の利益しか得られなかったか、まったく効果がなかったか、影響が不確かでした。 た 200 を超える新薬の最近の分析では 創薬のコストと時間のかかる性質を考えると、製薬業界が大きな変化を必要としていることは明らかです。そこでAI創薬が役割を果たすことができます。人工知能が診療までの時間を短縮するだけでなく、変革に貢献できる可能性は十分にあります。 独自の AI 創薬プロジェクトについて考えていますか? 。ヘルスケア向けの AI ソリューションの作成における長年の経験を持つ当社は、お客様の適切なパートナーです。 ご連絡ください
