Jednou z hlavních výhod aplikace umělé inteligence v raných fázích objevování léků je to, že umělá inteligence může provádět virtuální screening ve velkém měřítku nebo provádět více experimentů současně, čímž se zvětšuje rozsah screeningových sloučenin a posouvá se potenciální sloučeniny na sloučeniny olova, stejně jako rychlost kandidátských terapií. Dr. Jim Collins, profesor na MIT, uvedl v rozhovoru s týmem pro obsah WuXi AppTec, že výzkumníci mohou trénovat modely umělé inteligence pomocí malých knihoven sloučenin a poté tyto modely použít k prozkoumání rozsáhlých chemických prostorů. To jeho týmu umožňuje dokončit screening virtuální knihovny sloučenin obsahující miliardy sloučenin během několika dní. Toho nelze dosáhnout konvenčními experimenty.
Pan Panna Sharma, generální ředitel společnosti Lantern Pharma, uvedl v rozhovoru pro Nature Cancer, že protirakovinný výzkumný a vývojový projekt společnosti, od počáteční díry vytvořené umělou inteligencí až po vstup do první klinické studie na lidech, trvá asi polovinu času než tradiční strategie. a dokáže snížit náklady až o 80 %. Jiné společnosti, které využívají AI pro vývoj léků, jako je Recursion a Insilico Medicine, mají podobné zkušenosti. I když umělá inteligence v současnosti nemůže nahradit experimenty, může výzkumníkům umožnit rychlejší dokončení správných experimentů, a tím zvýšit úspěšnost.
Jeden z raných dopadů umělé inteligence na léčbu rakoviny se může odrazit v opětovném použití neúspěšných nebo zastaralých léků. Vezměme si příklad Lantern, jeho platforma umělé inteligence shromažďuje miliardy datových bodů souvisejících s onkologií. Tato data pocházejí z vědeckého výzkumu, klinických studií a databází. Pomocí strojového učení k predikci reakcí pacientů na kandidátní léky může umělá inteligence rychle objevit dosud neobjevené nové indikace nebo identifikovat nové podtypy rakoviny a jejich biomarkery, které dosud nebyly plně charakterizovány.
Identifikace účinných kombinací léků je dalším aplikačním směrem umělé inteligence. V současné době je testování kombinací léků obtížné a časově náročné, zatímco umělá inteligence dokáže na základě analýzy dat ze všech klinických studií rychleji předpovědět, které kombinace léků jsou účinnější.
Schopnost generativní umělé inteligence přizpůsobovat nové molekulární struktury na základě specifických cílových vlastností za účelem dosažení specifických terapeutických účinků je pro její příznivce obzvláště vzrušující. V současné době generativní AI prokázala schopnost navrhnout nové proteiny nebo sloučeniny s malou molekulou od začátku na základě cílových charakteristik v preklinickém výzkumu. Například tým profesora Davida Bakera, laureát Nobelovy ceny, publikoval v časopise Science článek, v němž představil vylepšený nástroj pro simulaci proteinů RoseTTAFold All Atom a nástroj pro návrh proteinů RFdiffuion All Atom. RoseTTAFold All Atom umožňuje vědcům simulovat interakce mezi proteiny a jinými biomolekulami. RFdiffuion All Atom umožňuje vědcům navrhnout zcela nové proteiny od začátku na základě kapes, které se vážou na specifické sloučeniny, což potenciálně připravuje cestu pro navrhování přesných terapií.
Na druhou stranu, většina biomolekul generovaných AI v současném klinickém výzkumu a vývoji je stále podobná existujícím molekulám, které byly upraveny tak, aby se zlepšila jejich selektivita nebo snížila necílová toxicita.
Kandidátské léky ještě musí prokázat svou účinnost u lidí, které nelze dosáhnout bez klinických studií. V procesu vývoje léčiv zabírají klinické studie většinu nákladů a času na výzkum a vývoj, takže i malé zlepšení účinnosti může mít obrovský dopad.
Rekurze využívá klinická a multiomická data z profesionálních institucí pro sběr dat, jako je Tempus, na základě modelů umělé inteligence k identifikaci pacientů, kteří mohou poskytnout nejlepší odpověď. Zlepšení screeningu pacientů znamená nejen menší testy, ale také teoreticky zvyšuje úspěšnost.
Umělá inteligence může být také použita k nalezení vhodných pacientů a určení optimálního umístění studie, čímž se maximalizuje urychlení náboru pacientů.
