I første omgang blir et AI-designet stoff testet på mennesker for å se om det faktisk fungerer

I første omgang blir et AI-designet stoff testet på mennesker for å se om det faktisk fungerer

I første omgang blir et AI-designet stoff testet på mennesker for å se om det faktisk fungerer PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

For fire år siden, bioteknologiselskap Insilico medisin brukt AI for å designe et molekyl rettet mot et protein involvert i fibrose på bare 46 dager. Det var et bevis på concept, ettersom flere effektive medisiner allerede fantes for proteinet, noe som gir selskapet et vell av data å trene AI med. Men de har gjort raske fremskritt siden den gang. Denne uken selskapet startet fase 2 kliniske studier på mennesker for et medikament oppdaget og designet av AI. Det er det første for den farmasøytiske industrien, og varsler forhåpentligvis en fremtid der legemiddeloppdagelsen er raskere, billigere og bedre enn den har vært de siste tiårene.

Oppdagelse av narkotika har historisk sett vært en kjedelig, langsom og kostbar prosess. Forskere må først finne ut hva som forårsaker en gitt sykdom, og identifiserer vanligvis et protein som den skyldige. De siler deretter gjennom titusenvis av kandidatforbindelser som kan målrette mot det proteinet, og kommer opp med en håndfull som ser ut til å syntetiseres. Av disse går noen få videre til videre forskning, og færre kommer seg fortsatt til kliniske studier på mennesker.

Av mer enn en million screenede molekyler, i gjennomsnitt bare én kommer til sent stadium i kliniske studier og ender opp med å bli godkjent for bruk. Å komme fra oppdagelse til godkjenning tar 12 til 15 år og en investering på rundt 1 milliard dollar.

Insilico ser ut til å ha forstyrret disse normene. Dens medikamentkandidat for idiopatisk lungefibrose-en kronisk tilstand hvor lungene blir arr og det er vanskelig å puste - tok bare en tredjedel av den vanlige tiden og en tiendedel av den vanlige kostnaden å utvikle takket være selskapets teknologi. Den bruker to forskjellige former for AI.

Den første er a generativ motstandernettverk, eller GAN. I denne typen algoritme står to nevrale nettverk mot hverandre. Den ene genererer utdata mens den andre bedømmer om den utgangen er sann eller usann. Sammen genererer nettverkene nye objekter som tekst eller bilder - eller i dette tilfellet kjemiske strukturer av små molekyler.

Insilicos plattform bruker også forsterkning læring, en type maskinlæring som gjør at et system kan lære ved å prøve og feile ved å bruke tilbakemelding fra egne handlinger. Forsterkende læring har vært sentral i de siste fremskritt innen spill-AI.

Et av legemidlene selskapet utviklet med sin plattform heter INS018_055. Det er en anti-fibrotisk liten molekylhemmer, noe som betyr at den bremser tempoet i vevsfortykning og arrdannelse, i dette tilfellet i pasientens lunger. Insilico rekrutterer 60 pasienter med idiopatisk lungefibrose (IPF) i Kina og USA, som vil ta en 12-ukers dose av stoffet. Om fem millioner mennesker lider av IPF over hele verden, og når de først er diagnostisert med sykdommen, har folk en tendens til å leve bare tre til fire år til.

Insilico har brukt sin teknologi til å oppdage 12 prekliniske legemiddelkandidater. Tre av disse har avansert til kliniske studier, men INS018_055 er den første som kommer til fase 2-forsøk. De formålet med fase 2-studier er å teste sikkerheten og finne ut om stoffet virker (Fase 1 er å lære om dets sikkerhet og bivirkninger, og fase 3 er å teste bivirkninger og se hvor mye det forbedrer tilstanden i en større befolkning).

Dette er bare begynnelsen - for Insilico og AI-medisin generelt. Ifølge til en rapport satt sammen av Morgan Stanley, AI-verktøy kan bidra til å utvikle 50 nye medisiner verdt potensielt 50 milliarder dollar i løpet av det neste tiåret. "For Insilico er [den kliniske studien] sannhetens øyeblikk," selskapets grunnlegger og administrerende direktør, Alex Zhavoronkov, fortalte de Financial Times. "Men det er også en sann test for AI, og hele industrien bør følge med."

Bilde Credit: Insilico medisin

Tidstempel:

Mer fra Singularity Hub