De citit...
Va transforma modul în care sunt produse medicamentele și va transforma însăși industria, notează The Economist .
Patrick Schwab nu este cercetătorul farmaceutic obișnuit, iar locul său de muncă nu este laboratorul farmaceutic obișnuit. Nu există bănci de lucru și nici lichide care fierb. Halatele albe de laborator lipsesc și ele. În schimb, Dr. Schwab este îmbrăcat complet în negru. Dar aceasta este o ținută potrivită pentru cineva al cărui loc de muncă se află în King’s Cross, o zonă care a fost odinioară una a depourilor feroviare și clădirilor industriale, dar care acum, după o transformare, este unul dintre cele mai la modă și în tendințe districte din Londra.
Dr. Schwab lucrează pentru compania farmaceutică GSK. Jobul său este să reimagineze viitorul producției de medicamente folosind aceeași ramură la modă a științei calculatoarelor, inteligența artificială (AI). El o aplică pentru a transfera cât mai mult posibil din muncă de la sticlărie la calculatoare: designul de medicamente in silico, mai degrabă decât in vitro.
În acest scop, el dezvoltă un instrument software numit Phenformer, pe care îl antrenează să citească genomuri. Prin corelarea informațiilor genomice cu fenotipurile — termenul biologic pentru rezultatele corporale și comportamentale ale anumitor combinații genetice — Phenformer învață cum genele cauzează boli. Aceasta îi permite să genereze ipoteze noi despre boli și mecanismele lor subiacente.
Transformatorii
Insilico Medicine, o firmă de biotehnologie din Boston, pare să fi fost prima care a aplicat noua generație de AI, cunoscută sub numele de modele transformer, în domeniul descoperirii de medicamente. În 2019, cercetătorii săi s-au întrebat dacă le-ar putea folosi pentru a inventa medicamente noi pornind de la date biologice și chimice. Primul lor obiectiv a fost fibroza pulmonară idiopatică, o boală pulmonară.
Au început prin antrenarea unui AI pe seturi de date legate de această afecțiune și au identificat o proteină țintă promițătoare. Un al doilea AI a sugerat apoi molecule care să se lege de acea proteină și să îi modifice comportamentul, fără a fi însă prea toxice sau instabile. După aceasta, chimiștii umani au preluat procesul, creând și testând moleculele selectate. Rezultatul a fost numit rentosertib și a trecut recent cu succes prin studii clinice de fază medie. Compania spune că au fost necesare 18 luni pentru a ajunge la un candidat pentru dezvoltare — comparativ cu un termen obișnuit de patru ani și jumătate.
Insilico deține acum un portofoliu de peste 40 de medicamente dezvoltate cu ajutorul AI, pe care le dezvoltă pentru afecțiuni precum cancerul, bolile intestinale și renale. Și abordarea sa se răspândește. O proiecție sugerează că investițiile anuale în acest domeniu vor crește de la 3,8 miliarde de dolari la 15,2 miliarde între 2025 și 2030.
Colaborările dintre companiile farmaceutice și firmele de AI devin de asemenea tot mai comune. În 2024 au fost anunțate o duzină de astfel de parteneriate, cu o valoare totală de 10 miliarde de dolari, conform IQVIA, o companie de informații în domeniul sănătății. În octombrie anul trecut, Eli Lilly, un alt gigant farmaceutic, a anunțat o colaborare cu Nvidia, compania ale cărei cipuri găzduiesc rețelele neuronale generative pe care se bazează modelele transformer, pentru a construi cel mai puternic supercomputer din industrie și, astfel, a accelera descoperirea și dezvoltarea de medicamente.
Având în vedere economia ciudată a industriei farmaceutice — medicamentele ipotetice care intră în studii clinice au o rată de eșec de 90%, ceea ce ridică costul dezvoltării unuia de succes la uimitoarea sumă de 2,8 miliarde de dolari — chiar și îmbunătățiri marginale în eficiență ar aduce câștiguri mari. Rapoartele din industrie sugerează că AI a început să livreze aceste îmbunătățiri. Aceasta a redus faza preclinică (cea de dinaintea testelor pe oameni) la 12–18 luni, față de trei–cinci ani. Și a crescut rata de succes. Un studiu publicat în 2024, privind performanța moleculelor descoperite cu AI în primele studii clinice, a arătat o rată de succes de 80–90%. Asta, prin comparație cu mediile istorice de 40–65%.
Proiectarea unui medicament nou începe, de obicei, prin scanarea moleculelor organice mici pentru activitate biologică promițătoare și selectarea celor mai probabile. AI poate analiza biblioteci de zeci de miliarde de molecule, testând proprietăți precum puterea, solubilitatea și toxicitatea folosind emulări software ale acelor molecule, fără ca moleculele reale să fie măcar aproape de eprubete. Jim Weatherall, unul dintre cei responsabili de această activitate la AstraZeneca, o altă mare companie farmaceutică, spune că acest proces separă grâul de neghină de două ori mai repede decât înainte și că peste 90% din portofoliul de descoperire a moleculelor mici al firmei este acum asistat de AI.
Fără încercare/eroare
AI ajută, de asemenea, la îmbunătățirea proiectării studiilor clinice. O abordare implică „agenți” AI care se comportă ca și cum ar putea gândi și raționa. La GSK, Kim Branson, șeful departamentului de AI, ne-a arătat un sistem bazat pe agenți, numit Cogito Forge. Când i se pune o întrebare despre biologie, Cogito Forge este capabil să își scrie propriul cod pentru a răspunde la întrebare, să adune seturile de date corespunzătoare, să le unească și apoi să creeze o prezentare — completă, cu grafice care arată concluziile trase.
De acolo, poate genera o ipoteză despre o boală, inclusiv predicții testabile, și încearcă să le verifice sau să le falsifice printr-o căutare în literatură. Această căutare folosește trei agenți: unul caută motive pentru care ipoteza este corectă; al doilea caută motive pentru care nu este; iar al treilea decide care dintre ceilalți doi are dreptate.
Un alt domeniu în care AI promite este selecția pacienților pentru studii clinice. Aceasta poate analiza fișele medicale, biopsiile și scanările corporale ale candidaților pentru a identifica cine ar putea beneficia cel mai mult de un medicament nou. O alegere mai bună a participanților înseamnă studii mai mici — și, prin urmare, mai rapide și mai ieftine.
Cea mai fascinantă utilizare a AI pentru îmbunătățirea studiilor clinice este însă crearea de pacienți sintetici (uneori numiți „gemeni digitali”) care să servească drept controale potrivite pentru participanții reali. Pentru aceasta, un AI parcurge date din studii anterioare și învață să prezică ce s-ar putea întâmpla cu un participant dacă acesta urmează cursul natural al afecțiunii, fără tratament. Apoi, când un voluntar este înscris într-un studiu și primește un medicament, AI creează un „pacient” cu aceleași caracteristici, cum ar fi vârsta, greutatea, afecțiunile existente și stadiul bolii. Eficacitatea medicamentului la pacientul real este apoi comparată cu evoluția acestui alternativ virtual.
Dacă ar fi adoptată, utilizarea pacienților sintetici ar reduce dimensiunea grupurilor de control ale studiilor și, în unele cazuri, ar putea chiar să le elimine complet. Aceștia ar putea fi atractivi și pentru participanți, deoarece șansele lor de a primi tratamentul testat, în loc să fie incluși într-un grup de control, ar crește.
Modelările publicate în 2025 de Unlearn.AI, o firmă de „gemeni digitali” din San Francisco, au sugerat că această abordare ar fi putut reduce dimensiunea unui grup de control într-un studiu timpuriu despre boala Parkinson cu 38%, și cu 23% într-un alt studiu privind boala Alzheimer. Mai mult, studiile de fază timpurie, care uneori nu au un grup de control, ar putea acum să îi introducă digital pentru a spori încrederea în primele semne de eficacitate și pentru a îmbunătăți modul în care sunt proiectate studiile ulterioare.
Multe proteine — molecule folosite tot mai des ca medicamente, dar mult mai mari decât moleculele convenționale — au tendința de a se mișca și de a vibra. Aceasta face dificilă determinarea formei lor exacte. Moleculele de ARN, baza unei noi clase de vaccinuri, sunt la fel de dificil de modelat. Iar structurile complexe pe bază de membrane din interiorul celulelor, și mai mult. Dar acesta este un domeniu în care înțelegerea avansează rapid. AI-urile sunt acum antrenate să modeleze interacțiunile dintre proteine și alte molecule, să prezică plierea ARN-ului și chiar să simuleze celule virtuale.
Recursion, o firmă din Salt Lake City, a construit o „fabrică” AI în care milioane de celule umane sunt redate trecând prin diverse schimbări chimice și genetice. Aceasta permite AI-urilor să învețe tiparele care leagă genele și căile moleculare. Iar Owkin, o firmă de biotehnologie AI din New York, își antrenează modelul pe un set vast de date moleculare de înaltă rezoluție de la pacienți din spitale. Tom Clozel, șeful Owkin, susține că prin realizarea de descoperiri pe care oamenii nu le pot face, acest lucru se apropie de adevărata inteligență artificială generală în biologie.
Aceste abateri de la instrumentele obișnuite de descoperire în domeniul farmaceutic ridică întrebarea dacă nu cumva firmele farma convenționale riscă să fie destabilizate. OpenAI, în special, și-a exprimat clar așteptarea ca modelele să atingă niveluri ridicate de capacitate în biologie și antrenează sisteme care pot raționa și face descoperiri în științele vieții. Deocamdată, companiile farmaceutice au avantajul posesiei unui tezaur de date biologice și al contextului necesar pentru a le înțelege și utiliza. În prezent, colaborarea este regula. OpenAI, de exemplu, lucrează cu Moderna, un pionier al vaccinurilor pe bază de ARN, pentru a accelera dezvoltarea de vaccinuri personalizate împotriva cancerului. Dar acest echilibru de avantaje s-ar putea schimba.
Totuși, indiferent cine va reuși să treacă în față, în cazul în care AI-urile pot deveni simlar de eficiente în studiile clinice, probabilitatea ca o moleculă să parcurgă cu succes traseul unui studiu clinic ar putea crește de la 5–10% la 9–18%. Aceasta poate părea o creștere mică, dar reprezintă o reducere uriașă a riscului în afaceri, cu scăderi concomitente ale costului dezvoltării medicamentelor. Pe termen mediu, acest lucru ar putea stimula investițiile și numărul de medicamente care ajung pe piață. Pe termen lung — dacă AI-urile pot rezolva biologia — posibilitățile tehnice de îmbunătățire a sănătății umane pot fi aproape nelimitate.
