Viena no galvenajām AI izmantošanas priekšrocībām zāļu atklāšanas sākumposmā ir tā, ka mākslīgais intelekts var veikt virtuālu skrīningu plašā mērogā vai veikt vairākus eksperimentus vienlaikus, tādējādi palielinot savienojumu mērogu un pārveidojot potenciālos savienojumus par svina savienojumiem, kā arī kandidātterapijas ātrums. Dr Jim Collins, MIT profesors, intervijā ar WuXi AppTec satura komandu norādīja, ka pētnieki var apmācīt AI modeļus ar maza mēroga salikto bibliotēkām un pēc tam izmantot šos modeļus, lai izpētītu plašas ķīmiskās telpas. Tas ļauj viņa komandai dažu dienu laikā pabeigt virtuālās savienojumu bibliotēkas pārbaudi, kurā ir miljardiem savienojumu. To nevar panākt ar tradicionāliem eksperimentiem.
Panna Šarma, Lantern Pharma izpilddirektore, intervijā Nature Cancer norādīja, ka uzņēmuma pretvēža pētniecības un attīstības projekts, sākot no sākotnējās AI radītās bedres līdz pirmajam klīniskajam izmēģinājumam ar cilvēkiem, aizņem apmēram pusi mazāk laika nekā tradicionālajām stratēģijām. un var samazināt izmaksas līdz pat 80%. Līdzīga pieredze ir arī citiem uzņēmumiem, kas izmanto AI zāļu izstrādei, piemēram, Recursion un Insilico Medicine. Lai gan mākslīgais intelekts pašlaik nevar aizstāt eksperimentus, tas var ļaut pētniekiem ātrāk pabeigt pareizus eksperimentus, tādējādi uzlabojot panākumu līmeni.
Viena no mākslīgā intelekta agrīnajām sekām vēža ārstēšanā var izpausties neveiksmīgu vai novecojušu zāļu atkārtotā izmantošanā. Kā piemēru ņemot Lantern, tās mākslīgā intelekta platforma apkopo miljardus datu punktu, kas saistīti ar onkoloģiju. Šie dati nāk no zinātniskiem pētījumiem, klīniskiem pētījumiem un datu bāzēm. Izmantojot mašīnmācīšanos, lai prognozētu pacientu reakciju uz kandidātu zālēm, mākslīgais intelekts var ātri atklāt iepriekš neatklātas jaunas indikācijas vai identificēt jaunus vēža apakštipus un to biomarķierus, kas vēl nav pilnībā raksturoti.
Efektīvu zāļu kombināciju noteikšana ir vēl viens mākslīgā intelekta pielietojuma virziens. Pašlaik zāļu kombināciju testēšana ir gan sarežģīta, gan laikietilpīga, savukārt mākslīgais intelekts var ātrāk paredzēt, kuras zāļu kombinācijas ir efektīvākas, analizējot visu klīnisko pētījumu datus.
Ģeneratīvā mākslīgā intelekta spēja pielāgot jaunas molekulārās struktūras, pamatojoties uz īpašām mērķa iezīmēm, lai sasniegtu īpašus terapeitiskos efektus, ir īpaši aizraujoša tās atbalstītājiem. Pašlaik ģeneratīvais AI ir pierādījis spēju no jauna izstrādāt jaunus proteīnus vai mazu molekulu savienojumus, pamatojoties uz mērķa īpašībām preklīniskajos pētījumos. Piemēram, profesora Deivida Beikera komanda, Nobela prēmijas laureāts, publicēja rakstu žurnālā Science, iepazīstinot ar uzlabotu olbaltumvielu simulācijas rīku RoseTTAFold All Atom un olbaltumvielu projektēšanas rīku RFdiffuion All Atom. RoseTTAFold All Atom ļauj zinātniekiem simulēt mijiedarbību starp proteīniem un citām biomolekulām. RFdiffuion All Atom ļauj zinātniekiem no jauna izstrādāt pilnīgi jaunus proteīnus, pamatojoties uz kabatām, kas saistās ar konkrētiem savienojumiem, potenciāli paverot ceļu precīzas terapijas izstrādei.
No otras puses, lielākā daļa AI radīto biomolekulu pašreizējā klīniskās pētniecības un izstrādes cauruļvadā joprojām ir līdzīgas esošajām molekulām, kas ir pielāgotas, lai uzlabotu to selektivitāti vai samazinātu toksiskumu, kas nav saistīts ar mērķi.
Kandidātiem joprojām ir jāpierāda to efektivitāte cilvēkiem, ko nevar sasniegt bez klīniskiem pētījumiem. Zāļu izstrādes procesā klīniskie izmēģinājumi aizņem lielāko daļu pētniecības un izstrādes izmaksu un laika, tāpēc pat nelielam efektivitātes uzlabojumam var būt milzīga ietekme.
Recursion izmanto klīniskos un multiomikas datus no profesionālām datu vākšanas iestādēm, piemēram, Tempus, pamatojoties uz mākslīgā intelekta modeļiem, lai identificētu pacientus, kuri var sniegt vislabāko atbildes reakciju. Pacientu skrīninga uzlabošana nozīmē ne tikai mazāka mēroga izmēģinājumus, bet arī teorētiski palielina panākumu līmeni.
Mākslīgo intelektu var izmantot arī, lai atklātu piemērotus pacientus un noteiktu optimālo izmēģinājuma vietu, tādējādi maksimāli paātrinot pacientu atlasi.
