Umělá inteligence ve vývoji léků: omezení a skutečné možnosti pro vědce
Umělá inteligence urychluje hledání cílů a molekul v objevu léků, ale nenahrazuje experty kvůli problémům s daty a interpretovatelností. AlphaFold 2 předpovídá struktury proteinů, 45 molekul generovaných umělou inteligencí je v klinickém testování, avšak heterogenní datové sady a absence univerzálních deskriptorů vyžadují hluboké znalosti chemie a biologie. V klinických studiích pomáhá umělá inteligence s hybridními modely, ale jednoduché regrese zůstávají preferovány pro platné předpovědi.
Fáze vývoje léků a role dat
Proces vytváření léčiva zahrnuje výběr cíle, hledání aktivních struktur, testy in vitro a in vivo, klinické fáze a regulační hodnocení. Náklady rostou exponenciálně, většina kandidátů je vyřazena brzy.
Klíčové výzvy:
- Stanovení patogenetických mechanismů a vazebných míst.
- Hodnocení farmakologických vlastností molekul.
- Interpretace dat z různorodých experimentů.
Umělá inteligence řeší část úkolů: AlphaFold 2 generuje 3D struktury proteinů podle aminokyselinové sekvence, což snižuje náklady na kryo-elektronovou mikroskopii a rentgenovou strukturní analýzu. Nobelova cena 2024 pro Hassabise a Jumpera potvrdila průlom.
Problémy umělé inteligence při hledání molekul
Chemické struktury nejsou přímo vkládány do ML modelů. Používají se deskriptory: fyzikálně-chemické (logP, molekulová hmotnost), grafová reprezentace nebo Morganovy otisky.
| Typ deskriptoru | Výhody | Omezení |
|---------------|-------------|-------------|
| 1D/2D (SMILES, ECFP) | Jednoduchost výpočtu | Ignorování 3D konformací |
| 3D grafové | Zohlednění prostorové geometrie | Vysoká výpočetní složitost |
| Fyzikálně-chemické | Interpretovatelnost | Neúplné pokrytí vlastností |
Vysoká dimenzionalita (tisíce příznaků) vyžaduje velké datové sady, nedostupné mimo velké farmaceutické firmy. Bioaktivita závisí na podmínkách: typ buněk, hustota receptorů. Heterogenní data vedou k artefaktům bez odborné předzpracování.
Úspěchy existují: do roku 2025 je 45 kandidátů s umělou inteligencí v klinickém testování. FDA obdržela >500 žádostí s umělou inteligencí od 2016 do 2023, zavedla 10 principů: multidisciplinarita, hodnocení rizik, dokumentace dat.
Umělá inteligence v klinických modelech: interpretovatelnost vs síla
Pro hodnocení vedlejších účinků se používá logistická regrese: prediktory – dávka, věk, pohlaví; výsledek – pravděpodobnost události. Model je interpretovatelný, intervaly spolehlivosti jsou vypočitatelné.
Neuronové sítě to ztrácejí: černá skříňka, žádná vysvětlení, nespolehlivé na malých vzorcích raných fází. Příklad: model bez zohlednění biologie vydává absurdní předpovědi, jako na obr. 3 originálu.
Fyziologicky orientované modely (PK/PD) používají diferenciální rovnice pro procesy: buněčné dělení, enzymatická inhibice. Poskytují nejen předpovědi, ale i grafy, virtuální studie.
Vyžadují křížově funkční týmy: matematici + biologové + klinici ověřují předpoklady, patofyziologii.
Hybridní přístupy a budoucnost
Kompromis – hybridní modely: diferenciální rovnice + neuronové sítě jako aproximátory neznámých závislostí. Zatím pilotní, ale perspektivní.
Umělá inteligence již je asistentem: generuje kód pro analýzu (Sonata Software). Agenti umělé inteligence pro vytváření modelů od nuly – aktivní oblast.
Co je důležité:
- AlphaFold 2 zrevolucionizoval předpovídání struktur, ale ne validaci cíle.
- 45 molekul s umělou inteligencí v klinickém testování, ale úspěch závisí na odborné interpretaci deskriptorů.
- Jednoduché modely jsou preferovány v klinice kvůli interpretovatelnosti.
- Hybridy kombinují fyziologii a ML pro spolehlivé předpovědi.
- Regulátoři vyžadují dokumentaci a hodnocení rizik pro umělou inteligenci.
Umělá inteligence – nástroj, který posiluje vědce, ale nenahrazuje: potřebná je expertíza v chemii, biologii a zdravý rozum pro platné závěry.
— Editorial Team
Zatím žádné komentáře.