Razvoj novog leka je dugotrajan, skup i često neuspešan posao. Pre nego što terapija stigne do pacijenata, istraživači moraju da provere ogroman broj mogućih molekula, da vide koji se vezuju za pravi cilj, ostaju stabilni u organizmu i mogu da se proizvode u većem obimu. Kod bioloških lekova, koji se zasnivaju na inženjerski napravljenim proteinima, taj proces je još složeniji.
U takvom okruženju veštačka inteligencija postaje važan deo farmaceutskog istraživanja i razvoja. U tekstu MIT Technology Review Insights, koji je nastao u partnerstvu sa AstraZenecom, navodi se da AI pomaže da se skrati vreme potrebno za pronalaženje obećavajućih kandidata i da se laboratorijski rad usmeri na manji broj opcija koje imaju najveću šansu za uspeh.
Od velikog broja opcija do manjih, preciznijih izbora
Prema Puji Sapri, višoj potpredsednici i direktorki za biologiju i onkološka ciljna otkrića u AstraZenece, danas se gotovo svaki korak u razvoju leka oslanja na računarsku obradu. Ona opisuje proces kao petlju „izgradi-meri-uči“: modeli predlažu ili rangiraju molekule, a zatim naučnici u laboratoriji testiraju samo najbolje rangirane kandidate.
Takav pristup smanjuje broj slepih ulica i ubrzava iteracije. Umesto da timovi ručno istražuju ogroman prostor mogućih kombinacija, AI pomaže da se taj prostor suzi na izbor koji je realnije testirati. Poenta nije da model sam razvije lek, već da smanji vreme i trošak pretraživanja i olakša dolazak do kandidata koji imaju smisla za dalje ispitivanje.
Veći izazov: lekovi za složenije biološke probleme
Tekst ističe da se AI ne koristi samo za ubrzavanje postojećih procesa, već i za dizajn složenijih terapija. Naredna generacija bioloških lekova mogla bi da deluje na više ciljeva istovremeno ili da preciznije isporučuje terapijski teret određenim ćelijama. Za takve zadatke potrebno je uskladiti više osobina odjednom, uključujući jačinu dejstva, stabilnost, bezbednost i mogućnost proizvodnje.
Sapra navodi da modeli u budućnosti mogu da pomognu istraživačima da izaberu koje biološke ciljeve treba prioritetno napadati, a zatim da optimizuju više parametara u isto vreme. To bi, prema njenim rečima, moglo da približi razvoj lekova za mete koje su se ranije smatrale praktično nedostižnim.
Podaci su glavni resurs
Jedna od ključnih poruka teksta jeste da AI u farmaciji zavisi od kvaliteta podataka. McKinsey procenjuje da bi generativna AI, zajedno sa drugim računarskim alatima, mogla da skrati vreme otkrivanja leka i do 50 odsto. Međutim, takvi modeli su korisni samo ako su obučeni na dovoljno kvalitetnim biološkim podacima.
AstraZeneca, prema navodima iz teksta, raspolaže vlasničkim, višemodalnim skupovima podataka koji uključuju strukture molekula, merenja vezivanja, bezbednosne profile i rezultate proizvodnje. Sapra kaže da je kompanija namerno gradila raznovrstan portfelj podataka kroz više oblasti bolesti i različite tipove lekova, kako bi mogla da fino podešava napredne AI modele na širem i reprezentativnijem uzorku.
Kompanija takođe ulaže u dodatne tehnologije za dubinsko testiranje, kako bi proizvodila nove skupove podataka potrebne za stalno proveravanje i unapređivanje modela. U praksi, to znači da nije dovoljan samo veliki volumen podataka, već i njihova raznovrsnost i povezanost sa realnim laboratorijskim rezultatima.
Laboratorija sa zatvorenom petljom
Jedan od najzanimljivijih delova teksta odnosi se na planove za takozvanu „laboratoriju budućnosti“ u Kendall Squareu u Kembridžu, u Masačusetsu. Taj prostor treba da poveže AI i robotsku automatizaciju u zatvoreni sistem: modeli predviđaju, roboti izvode eksperimente, instrumenti generišu podatke, a novi podaci se vraćaju u modele.
Sapra ovaj pristup poredi sa samovozećim automobilom koji koristi senzore i modele da bi se kretao kroz okolinu. U ovom slučaju, AI ne upravlja vozilom, već istraživačkim ciklusom. Cilj je da se eksperimentisanje ubrza, a da se istovremeno generiše dovoljno kvalitetnih podataka za dalje učenje sistema.
U tom procesu, kako naglašava, naučnici ostaju centralni. Njihova uloga je da daju nadzor, procenu i strateški pravac, kako bi rezultati bili objašnjivi, prihvatljivi i usmereni ka mogućoj koristi za pacijente.
Konačni cilj: potpuno novi lekovi dizajnirani pomoću AI
Najdalji cilj u ovom području je tzv. de novo dizajn, odnosno stvaranje potpuno novih proteinskih sekvenci od nule. U tom scenariju, AI bi trebalo da predlaže molekule koji zadovoljavaju zadate osobine, od strukture i bezbednosti do ponašanja u organizmu i mogućnosti proizvodnje.
Tekst navodi da bi za takav ishod bili potrebni standardizovaniji podaci širom industrije, jasni benchmark testovi za procenu AI-generisanih kandidata i timovi koji razumeju i mašinsko učenje i biologiju. Posebno se izdvaja predviđanje bezbednosti, koje je, prema Sapri, jedan od najtežih i najvažnijih zadataka.
AstraZeneca zato razvija i svojevrsna „virtuelna klinička ispitivanja“ kroz napredne ćelijske sisteme i modele organa na mikroskali. Ti sistemi služe kao fizički testni teren, dok AI uči iz njihovih rezultata. To bi trebalo da pomogne da se smanji usko grlo između digitalnog dizajna i kandidata koji su spremni za kliničku fazu.
AI kao saradnik, a ne zamena za naučnike
Tekst završava porukom da se najveća promena ne svodi samo na tehnologiju. Kako se sistemi osamostaljuju, ljudski nadzor ostaje ključan, i zbog objašnjivosti i zbog etike. AstraZeneca navodi da u timovima rade data naučnici, specijalisti za automatizaciju i AI inženjeri, a cilj je da sistemi budu „partneri u razmišljanju“, a ne zatvorene kutije.
Za čitaoce je važno da se iz ove priče vidi nekoliko stvari. AI u otkrivanju lekova ne eliminiše laboratorijski rad, već ga preciznije usmerava. Njegova vrednost je najveća tamo gde postoji mnogo mogućih opcija, mnogo podataka i visoka cena greške. Istovremeno, bez kvalitetnih podataka, jasnih provera i stručnog nadzora, modeli ne mogu sami da reše probleme koji su u osnovi biološki i klinički.
To je i glavna promena u odnosu na raniji pristup: istraživanje se sve manje oslanja samo na sporo ručno isprobavanje, a sve više na kombinaciju AI, automatizacije i stručnog ljudskog odlučivanja.
Napomena: Ovo je prilagođen i originalno napisan tekst na osnovu sadržaja MIT Technology Review Insights i navoda kompanije AstraZeneca.
