การรายงานข่าวเกี่ยวกับ AI ล่าสุดของ BBC เน้นย้ำถึงกรณีการใช้งานทางวิทยาศาสตร์ในทางปฏิบัติที่มักถูกบดบังด้วยแชทบอทสำหรับผู้บริโภค: การใช้แบบจำลองเพื่อลดขนาดของกลุ่มตัวยาที่มีศักยภาพก่อนที่การทดสอบทางชีวภาพราคาแพงจะเริ่มขึ้น

นั่นไม่ได้ช่วยขจัดหนทางอันยาวไกลสู่การรักษาที่ใช้งานได้จริง แต่สามารถปรับปรุงจุดที่นักวิจัยใช้เวลาและเงินได้ ในสาขาที่มีข้อจำกัด เช่น โรคความเสื่อมของระบบประสาท แม้แต่ความล้มเหลวที่เร็วขึ้นก็อาจเป็นผลกำไรที่มีความหมาย หากช่วยให้โมเลกุลที่ถูกต้องเข้าสู่ลำดับหน้าสุดได้เร็วขึ้น

ศูนย์วิจัย AI เภสัชวิทยาระบบของมหาวิทยาลัยอลาบามา ณ เบอร์มิงแฮม (SPARC) เป็นตัวอย่างของแนวทางนี้ โดยแสดงให้เห็นว่า AI สามารถเร่งการค้นพบยาได้ตั้งแต่การระบุกลไกไปจนถึงการสร้างตัวยาที่มีศักยภาพ ในกรณีศึกษาล่าสุด นักวิจัยของ SPARC ก้าวหน้าจากการอ่านบทความวิจัยเรื่อง Cell ที่เสนอแนะบทบาทของ PHGDH ในพยาธิสภาพของแอมีลอยด์ในโรคอัลไซเมอร์ ไปสู่การยื่นขอจดสิทธิบัตรชั่วคราวสำหรับโมเลกุลขนาดเล็ก 18 ตัว ภายในเวลาเพียง 90 วัน

นวัตกรรมทางเทคโนโลยีที่สำคัญที่ขับเคลื่อนการเร่งความเร็วนี้ ได้แก่ แบบจำลองการเรียนรู้เชิงลึกหลายระดับ เครือข่ายประสาทกราฟสำหรับการทำนายคุณสมบัติของโมเลกุล และระบบ AI เชิงสร้างสรรค์ที่สามารถออกแบบโครงสร้างทางเคมีใหม่ๆ พร้อมโปรไฟล์เภสัชจลนศาสตร์ที่เหมาะสม เครื่องมือเหล่านี้ช่วยให้นักวิจัยสามารถสำรวจพื้นที่ทางเคมีได้อย่างมีประสิทธิภาพมากกว่าวิธีการคัดกรองที่มีปริมาณงานสูงแบบดั้งเดิม

การแทรกซึมผ่านแนวกั้นระหว่างเลือดและสมอง (BBB) เป็นความท้าทายที่สำคัญในการพัฒนายาสำหรับระบบประสาทส่วนกลาง โดยโมเลกุลขนาดเล็กประมาณ 98% ไม่สามารถเข้าถึงความเข้มข้นของการรักษาในเนื้อเยื่อสมองได้ แบบจำลอง AI ที่ฝึกฝนบนชุดข้อมูลการวัดการซึมผ่านของ BBB อย่างกว้างขวางสามารถทำนายได้ว่าการปรับเปลี่ยนทางเคมีใดจะช่วยเพิ่มการแทรกซึมของสมองในขณะที่ยังคงรักษาโปรไฟล์ความปลอดภัยไว้ได้

การแปลผลทางคลินิกเผชิญกับอุปสรรคเพิ่มเติม รวมถึงความต้องการตัวบ่งชี้ทางชีวภาพที่แข็งแกร่งเพื่อติดตามการดำเนินไปของโรคและการตอบสนองต่อการรักษาในสภาวะความเสื่อมของระบบประสาท การวิเคราะห์ข้อมูลหลายรูปแบบจากการสร้างภาพระบบประสาท จีโนมิกส์ และการประเมินทางคลินิกที่ขับเคลื่อนด้วย AI กำลังปรับปรุงการวินิจฉัยในระยะเริ่มต้นและการแบ่งชั้นผู้ป่วยสำหรับการทดลองทางคลินิก

ผลกระทบในวงกว้างขยายไปไกลกว่าตัวยาแต่ละตัว ไปสู่การเปลี่ยนแปลงเชิงปฏิรูปในด้านเศรษฐศาสตร์การวิจัยและพัฒนาเภสัชกรรม ด้วยการลดอัตราความล้มเหลวในระยะการค้นพบเริ่มต้น AI สามารถลดต้นทุนการพัฒนาลงได้ 30-50% ในขณะที่เร่งระยะเวลาการดำเนินงานลง 12-18 เดือนสำหรับการรักษาทางระบบประสาท

การรวบรวมข้อมูลฝึกอบรมอย่างรอบคอบคือหัวใจของระบบเหล่านี้แบบจำลองใช้ข้อมูลจากการวิจัยที่ตีพิมพ์คลังสารเคมีที่จัดเตรียมไว้และผลการคัดกรองขนาดใหญ่เรียนรู้ที่จะเชื่อมโยงโครงสร้างโมเลกุลกับกิจกรรมทางชีววิทยาที่เป็นไปได้ในวิธีที่นักวิจัยมนุษย์ต้องใช้เวลาหลายปีในการทำด้วยมือคุณภาพขอบเขตและความหลากหลายของข้อมูลนั้นมักกำหนดว่าคำแนะนำของแบบจำลองจะเชื่อถือได้เพียงใดซึ่งเป็นเหตุให้ทีมวิจัยลงทุนอย่างหนักในการจัดทำคำอธิบายประกอบที่ดีขึ้นการจัดเตรียมผลลัพธ์เชิงลบอย่างรอบคอบและมาตรฐานร่วมกันระหว่างสถาบันชุดข้อมูลที่ใหญ่ขึ้นและเป็นตัวแทนมากขึ้นมักลดผลบวกลวงช่วยให้นักวิจัยหลีกเลี่ยงการไล่ล่าสารประกอบที่ดูมีแนวโน้มบนหน้าจอแต่ไม่เคยทำงานตามที่คาดการณ์ในสภาพแวดล้อมทางชีววิทยาจริงเมื่อทรัพยากรเหล่านี้ดีขึ้นความน่าเชื่อถือของซอฟต์แวร์ที่อยู่เบื้องหลังก็ดีขึ้นเช่นกันทำให้เกิดวงจรของการคาดการณ์ที่มีประโยชน์มากขึ้นอย่างต่อเนื่อง

ความเร็วในการสร้างตัวยาที่มีศักยภาพนั้นมีความหมายเพียงเล็กน้อยหากปราศจากการตรวจสอบอย่างเข้มงวดสารประกอบที่น่าสนใจยังคงต้องถูกสังเคราะห์ทดสอบในแบบจำลองเซลล์และปรับปรุงผ่านการวนซ้ำหลายครั้งก่อนที่จะก้าวไปสู่การศึกษาสัตว์และในที่สุดการทดลองในมนุษย์AIช่วยให้นักวิจัยจัดลำดับความสำคัญว่าโมเลกุลใดสมควรได้รับความสนใจราคาแพงนั้นอย่างมีประสิทธิภาพทำให้ช่วงเริ่มต้นของขั้นตอนการทำงานสั้นลงแทนที่จะข้ามไปโครงสร้างที่เสนอแต่ละอันยังคงต้องพิสูจน์ตัวเองในห้องปฏิบัติการซึ่งความสามารถในการละลายความเสถียรและผลนอกเป้าหมายสามารถกำจัดตัวยาที่มีศักยภาพได้อย่างรวดเร็วผลลัพธ์ไม่ใช่การแทนที่วิทยาศาสตร์เชิงทดลองแต่เป็นวิธีที่ชาญฉลาดในการใช้เงินและความเชี่ยวชาญที่มีจำกัดเพื่อให้แน่ใจว่าโมเลกุลที่ดีที่สุดถึงม้านั่งทดลองเร็วขึ้นและความคิดที่มีแนวโน้มน้อยกว่าถูกกันไว้ก่อนที่จะใช้เวลาหลายปีทีมที่นำวิธีการเหล่านี้มาใช้ตั้งแต่เนิ่นๆอาจทดลองได้เร็วขึ้นและล้มเหลวถูกลง

แนวทางนี้ยังมีข้อจำกัดที่นักวิจัยระมัดระวังที่จะยอมรับแบบจำลองอาจสืบทอดอคติที่ซ่อนอยู่ในข้อมูลฝึกอบรมที่ไม่สม่ำเสมอเรียนรู้ทางลัดที่ไม่สะท้อนชีววิทยาจริงและสร้างการคาดการณ์ที่ดูมั่นใจแต่กลับกลายเป็นผิดสิ่งที่ยากขึ้นคือเหตุผลของแบบจำลองไม่สามารถอธิบายให้หน่วยงานกำกับดูแลแพทย์หรือองค์กรให้ทุนที่ขี้ระแวงเข้าใจได้ง่ายเสมอไปนักวิจัยจึงเน้นย้ำถึงความสำคัญของการรายงานที่โปร่งใสการเปรียบเทียบที่เป็นอิสระกับชุดข้อมูลสาธารณะและการกำกับดูแลอย่างรอบคอบของมนุษย์ในทุกขั้นตอนทีมส่วนใหญ่ถือว่าซอฟต์แวร์เป็นเครื่องมือสนับสนุนการตัดสินใจมากกว่าที่จะทดแทนความเชี่ยวชาญเฉพาะด้านโดยผสมผสานคำแนะนำของเครื่องกับวิจารณญาณของนักเคมียาและนักชีววิทยาวิธีการทำงานแบบผสมผสานนี้ช่วยป้องกันการพึ่งพาระบบอัตโนมัติมากเกินไปในขณะที่ยังคงรักษาความเร็วที่แบบจำลองเหล่านี้สามารถให้ได้

สุดท้ายนี้ส่วนใหญ่ของคำมั่นสัญญานี้ขึ้นอยู่กับความร่วมมือและการแบ่งปันอย่างเปิดเผยชุดข้อมูลเปิดคลังเก็บแบบจำลองร่วมและความร่วมมือระหว่างมหาวิทยาลัยบริษัทเทคโนโลยีชีวภาพตั้งใหม่และบริษัทยาที่จัดตั้งขึ้นช่วยหลีกเลี่ยงการทำงานซ้ำซ้อนและเร่งการแลกเปลี่ยนบทเรียนที่ได้เรียนรู้เพื่อให้ความก้าวหน้าในห้องปฏิบัติการหนึ่งสามารถแจ้งงานในอีกห้องหนึ่งได้อย่างรวดเร็วระบบนิเวศที่เติบโตนี้ควบคู่กับต้นทุนการประมวลผลที่ลดลงและการเข้าถึงโครงสร้างพื้นฐานการฝึกอบรมที่ดีขึ้นกำลังนำเครื่องมือเหล่านี้เข้าถึงกลุ่มวิจัยขนาดเล็กที่ทำงานเกี่ยวกับโรคทางระบบประสาทซึ่งถือว่ายากต่อการรักษามาเป็นเวลานานการมีส่วนร่วมที่กว้างขึ้นสำคัญเพราะโรคหายากและถูกละเลยมักถูกมองข้ามเมื่อมีเพียงบริษัทใหญ่เท่านั้นที่สามารถจ่ายในการไล่ล่าได้หากโมเมนตัมยังคงอยู่การผสมผสานของวิทยาศาสตร์เปิดและเทคโนโลยีที่เข้าถึงได้นี้อาจส่งมอบทางเลือกการรักษาให้ผู้ป่วยที่มีทางเลือกน้อยมากในปัจจุบันและกระจายประโยชน์ของการค้นพบอย่างเป็นธรรมทั่วทั้งภาคสนาม

เมื่อมองไปข้างหน้า การบูรณาการ AI เข้ากับเทคโนโลยีเกิดใหม่ เช่น ระบบ organ-on-a-chip การหาลำดับเซลล์เดียว และตัวบ่งชี้ทางชีวภาพดิจิทัล สัญญาว่าจะสร้างแบบจำลองก่อนคลินิกที่ทำนายผลได้แม่นยำยิ่งขึ้น การบรรจบกันนี้อาจเปลี่ยนโฉมวิธีที่เราเข้าถึงการค้นพบยาสำหรับความผิดปกติทางสมองที่ซับซ้อนไปอย่างสิ้นเชิง โดยย้ายจากการค้นพบโดยบังเอิญไปสู่การพัฒนาการรักษาที่เป็นระบบและขับเคลื่อนด้วยข้อมูล

เพิ่มเติม...