Ein großer Vorteil der Anwendung von KI in den frühen Stadien der Arzneimittelentwicklung besteht darin, dass KI virtuelle Screenings in großem Maßstab durchführen oder mehrere Experimente gleichzeitig durchführen kann, wodurch der Umfang des Screenings von Verbindungen erhöht und potenzielle Verbindungen zu Leitverbindungen weiterentwickelt werden können Geschwindigkeit der möglichen Therapien. Dr. Jim Collins, Professor am MIT, erklärte in einem Interview mit dem Content-Team von WuXi AppTec, dass Forscher KI-Modelle mit kleinen Verbindungsbibliotheken trainieren und diese Modelle dann verwenden können, um riesige chemische Räume zu erkunden. Dadurch kann sein Team das Screening einer virtuellen Substanzbibliothek mit Milliarden von Verbindungen innerhalb weniger Tage abschließen. Dies kann durch herkömmliche Experimente nicht erreicht werden.
Herr Panna Sharma, CEO von Lantern Pharma, erklärte in einem Interview mit Nature Cancer, dass das Anti-Krebs-Forschungs- und Entwicklungsprojekt des Unternehmens, vom ersten KI-generierten Loch bis zum Beginn der ersten klinischen Studie am Menschen, etwa halb so viel Zeit in Anspruch nimmt wie herkömmliche Strategien und kann die Kosten um bis zu 80 % senken. Andere Unternehmen, die KI für die Arzneimittelentwicklung nutzen, wie Recursion und Insilico Medicine, machen ähnliche Erfahrungen. Obwohl künstliche Intelligenz Experimente derzeit nicht ersetzen kann, kann sie es Forschern ermöglichen, korrekte Experimente schneller abzuschließen und so die Erfolgsquote zu verbessern.
Eine der ersten Auswirkungen der künstlichen Intelligenz auf die Krebsbehandlung könnte sich in der Wiederverwendung fehlgeschlagener oder veralteter Medikamente widerspiegeln. Am Beispiel von Lantern sammelt seine Plattform für künstliche Intelligenz Milliarden von Datenpunkten im Zusammenhang mit der Onkologie. Diese Daten stammen aus wissenschaftlicher Forschung, klinischen Studien und Datenbanken. Durch den Einsatz von maschinellem Lernen zur Vorhersage der Reaktionen von Patienten auf Medikamentenkandidaten kann künstliche Intelligenz schnell bisher unentdeckte neue Indikationen entdecken oder neue Krebssubtypen und ihre Biomarker identifizieren, die noch nicht vollständig charakterisiert sind.
Die Identifizierung wirksamer Medikamentenkombinationen ist ein weiterer Anwendungsbereich künstlicher Intelligenz. Derzeit ist das Testen von Medikamentenkombinationen sowohl schwierig als auch zeitaufwändig, während künstliche Intelligenz durch die Analyse von Daten aus allen klinischen Studien schneller vorhersagen kann, welche Medikamentenkombinationen wirksamer sind.
Besonders spannend für ihre Befürworter ist die Fähigkeit der generativen KI, neue molekulare Strukturen auf der Grundlage spezifischer Zielmerkmale anzupassen, um spezifische therapeutische Effekte zu erzielen. Derzeit hat die generative KI in der präklinischen Forschung gezeigt, dass sie in der Lage ist, neuartige Proteine oder niedermolekulare Verbindungen von Grund auf auf der Grundlage von Zielmerkmalen zu entwerfen. Beispielsweise veröffentlichte das Team von Professor David Baker, einem Nobelpreisträger, in der Zeitschrift Science einen Artikel, in dem das verbesserte Proteinsimulationstool RoseTTAFold All Atom und das Proteindesigntool RFdiffuion All Atom vorgestellt wurden. Mit RoseTTAFold All Atom können Wissenschaftler die Wechselwirkungen zwischen Proteinen und anderen Biomolekülen simulieren. Mit RFdiffuion All Atom können Wissenschaftler von Grund auf völlig neue Proteine entwickeln, die auf den Taschen basieren, die an bestimmte Verbindungen binden, und so möglicherweise den Weg für die Entwicklung präziser Therapien ebnen.
Andererseits ähneln die meisten durch KI erzeugten Biomoleküle in der aktuellen klinischen Forschungs- und Entwicklungspipeline immer noch bestehenden Molekülen, die angepasst wurden, um ihre Selektivität zu verbessern oder die Nichtzieltoxizität zu reduzieren.
Kandidatenmedikamente müssen ihre Wirksamkeit beim Menschen noch nachweisen, was ohne klinische Studien nicht möglich ist. Im Prozess der Arzneimittelentwicklung nehmen klinische Studien den größten Teil der Forschungs- und Entwicklungskosten und -zeit in Anspruch, sodass bereits eine kleine Effizienzverbesserung große Auswirkungen haben kann.
Rekursion nutzt klinische und Multi-Omics-Daten von professionellen Datenerfassungsinstituten wie Tempus, basierend auf Modellen der künstlichen Intelligenz, um Patienten zu identifizieren, die möglicherweise die beste Reaktion zeigen. Eine Verbesserung des Patientenscreenings erfordert nicht nur kleinere Studien, sondern erhöht theoretisch auch die Erfolgsraten.
Künstliche Intelligenz kann auch genutzt werden, um geeignete Patienten zu entdecken und den optimalen Studienort zu bestimmen, wodurch die Beschleunigung der Patientenrekrutierung maximiert wird.
