Sztuczna inteligencja w opracowywaniu leków: ograniczenia i realne możliwości dla naukowców
Sztuczna inteligencja przyspiesza poszukiwanie celów i cząsteczek w procesie odkrywania leków, ale nie zastępuje ekspertów ze względu na problemy z danymi i interpretowalnością. AlphaFold 2 przewiduje struktury białek, 45 cząsteczek wygenerowanych przez SI znajduje się w fazie klinicznej, jednak heterogeniczne zbiory danych i brak uniwersalnych deskryptorów wymagają głębokiej wiedzy z chemii i biologii. W badaniach klinicznych SI pomaga w modelach hybrydowych, ale proste regresje pozostają preferowane dla wiarygodnych prognoz.
Etapy opracowywania leków i rola danych
Proces tworzenia leku obejmuje wybór celu, poszukiwanie aktywnych struktur, testy in vitro i in vivo, fazy kliniczne oraz ocenę regulacyjną. Koszty rosną wykładniczo, większość kandydatów jest odrzucana na wczesnym etapie.
Kluczowe wyzwania:
- Określenie mechanizmów patogenetycznych i miejsc wiązania.
- Ocena właściwości farmakologicznych cząsteczek.
- Interpretacja danych z różnorodnych eksperymentów.
SI rozwiązuje część zadań: AlphaFold 2 generuje struktury 3D białek na podstawie sekwencji aminokwasowej, co obniża koszty kriomikroskopii elektronowej i analizy rentgenostrukturalnej. Nagroda Nobla z 2024 roku dla Hassabisa i Jumpera potwierdziła przełom.
Problemy SI w poszukiwaniu cząsteczek
Struktury chemiczne nie są bezpośrednio wprowadzane do modeli uczenia maszynowego. Stosuje się deskryptory: fizykochemiczne (logP, masa cząsteczkowa), reprezentacje grafowe lub odciski palców Morgana.
| Typ deskryptora | Zalety | Ograniczenia |
|---------------|-------------|-------------|
| 1D/2D (SMILES, ECFP) | Łatwość obliczeń | Ignorowanie konformacji 3D |
| Grafy 3D | Uwzględnienie geometrii przestrzennej | Wysoka złożoność obliczeniowa |
| Fizykochemiczne | Interpretowalność | Niepełne pokrycie właściwości |
Wysoka wymiarowość (tysiące cech) wymaga dużych zbiorów danych, niedostępnych poza dużymi firmami farmaceutycznymi. Aktywność biologiczna zależy od warunków: typ komórek, gęstość receptorów. Heterogeniczne dane prowadzą do artefaktów bez eksperckiego wstępnego przetwarzania.
Są sukcesy: do 2025 roku 45 kandydatów wygenerowanych przez SI w fazie klinicznej. FDA otrzymała >500 wniosków z SI od 2016 do 2023 roku, wprowadziła 10 zasad: multidyscyplinarność, ocena ryzyka, dokumentacja danych.
SI w modelach klinicznych: interpretowalność vs moc
Do oceny działań niepożądanych stosuje się regresję logistyczną: predyktory — dawka, wiek, płeć; wynik — prawdopodobieństwo zdarzenia. Model jest interpretowalny, przedziały ufności są obliczalne.
Sieci neuronowe tracą tę cechę: czarna skrzynka, brak wyjaśnień, zawodność na małych próbach wczesnych faz. Przykład: model bez uwzględnienia biologii daje absurdalne prognozy, jak na rys. 3 oryginału.
Modele zorientowane fizjologicznie (PK/PD) wykorzystują równania różniczkowe dla procesów: podział komórek, hamowanie enzymatyczne. Dostarczają nie tylko prognozy, ale także wykresy, wirtualne badania.
Wymagają zespołów międzyfunkcyjnych: matematycy + biolodzy + klinicyści sprawdzają założenia, patofizjologię.
Podejścia hybrydowe i przyszłość
Kompromis — modele hybrydowe: równania różniczkowe + sieci neuronowe jako aproksymatory nieznanych zależności. Na razie pilotażowe, ale obiecujące.
SI już asystuje: generuje kod do analizy (Sonata Software). Agenci SI do budowania modeli od podstaw — aktywna dziedzina.
Co jest ważne:
- AlphaFold 2 zrewolucjonizował przewidywanie struktur, ale nie walidację celu.
- 45 cząsteczek wygenerowanych przez SI w fazie klinicznej, ale sukces zależy od eksperckiej interpretacji deskryptorów.
- Proste modele są preferowane w klinice ze względu na interpretowalność.
- Hybrydy łączą fizjologię i uczenie maszynowe dla wiarygodnych prognoz.
- Regulatorzy wymagają dokumentacji i oceny ryzyka dla SI.
SI — narzędzie wzmacniające naukowców, ale nie zastępujące: potrzebna jest ekspertyza w chemii, biologii i zdrowy rozsądek dla ważnych wniosków.
— Editorial Team
Brak komentarzy.