AI допомагає дослідникам виявити несподівані зв’язки між захворюваннями людини та біологічними шляхами, що приносять нові терапевтичні уявлення.
Фармацевтична промисловість стикається з значними проблемами – від визначення правильних біологічних цілей до розробки безпечної та ефективної терапії. Традиційно фармацевтичні компанії використовували штучний інтелект (AI) для розвитку існуючих методів лікування при створенні наркотиків ME-Too. Однак наступний кордон використовує AI для виходу за межі відомих, виявлення раніше досліджених біологічних шляхів та терапевтичних способів. Аналізуючи генетичні дані, дослідники зараз використовують AI, щоб виявити молекули, подібні до наркотиків, з можливістю революціонізувати, як вони наближаються до лікування захворювання.
Джо Келлехер, старший віце -президент з біології в Empress Therapeutics, має 25 років лідерства на перехресті між біологією та хімією, провідними успішними зусиллями щодо виявлення наркотиків у цій галузі. Він працював як в біомедичних науково -дослідних установах, так і в біотехнологічних компаніях, де допомагав створити та вирощувати спеціалізовані дослідницькі групи та керував розробкою цільових портфелів та терапевтичних програм. Нещодавно Келлехер допоміг розробити платформу Chemilogics ™ в Empress Therapeutics, яка використовує генетичні дані, AI/машинне навчання (ML) та коеволюцію, щоб передбачувано генерувати кращі вихідні точки для наркотиків. Новини про виявлення наркотиків Розмовляв з Келлером, щоб дізнатися про те, як його команда використовує AI для аналізу складних біологічних даних, виявлення прихованих закономірностей та прискорення виявлення інноваційних методів лікування різних захворювань.
Джо Келлехер – старший віце -президент з біології Empress Therapeutics.
Кредит: Імператриця Терапевтичні засоби
Чому розуміння біологічних шляхів та генетичних даних важливо для розробки ефективних препаратів?
Виявлення наркотиків-це горезвісно низькопродуктивна вправа, напевно, якщо ми почнемо з неправильних цілей, зробимо кандидатів на наркотики, які недостатньо безпечні, або виберемо неправильні клінічні показання до кандидатських препаратів. Розуміння біологічних шляхів та генетичних даних може допомогти вирішити всі ці проблеми.
У імператриці ми маємо власний спосіб видобувати клінічні дані людини за допомогою AI та причинного машинного навчання (ML) для пошуку безпечних, ефективних модуляторів малої молекули людських шляхів, що стосуються захворювання, які можуть бути швидко оптимізовані для кандидатів у наркотики. Ключ полягає в тому, щоб включити 170 000 000 генів, кодованих у мікробах, які співпрацювали в нашому тілах (наш “інший геном”) в аналізі. Це шукає кластерів бактеріальних генів, які виробляють невеликі молекули, активні на людських цілях способами, які спричиняють нас здоровими.
Потім ми використовуємо синтетичну біологію для початкової ідентифікації та характеристики цих малих молекул і слідуємо за цим за допомогою хімічного синтезу та оптимізації для отримання кандидатів на наркотики. Наша теза полягає в тому, що це будуть безпечні та ефективні ліки, обов'язково діяти на відповідні цілі або шляхи, а також спрямовані на їх оптимальні клінічні показання.
Які переваги пошуку маломолекулярних лікарських засобів з мікробної ДНК всередині людського організму?
Ми бачимо три основні переваги.
По -перше, дрібні молекули, що базуються на сполуках, вже присутніх у здорових людей, швидше за все, добре переносяться та безпечно порівняно з невеликими молекулами з більш поширеного скринінгу бібліотеки (включаючи віртуальні) та оптимізаційних підходів.
По -друге, з моменту нашої хімілогікиТМ Двигун Discovery закріплений у клінічних даних людини, збагачуючи лише молекули, які, ймовірно, сприяють здоров’ю, ми вважаємо, що ми працюємо над найбільш релевантними та ефективними цілями та шляхами наркотиків.
Нарешті, наш двигун створює моделі, порівнюючи генетичні та клінічні дані здорових людей із хворими, які мають такі захворювання, як запальні захворювання кишечника, ревматоїдний артрит, рак, метаболічні захворювання та неврологічні стани, що забезпечують кандидати на лікарські засоби та застосовуються до відповідних клінічних показників. Ми бачимо це як трифекта виявлення наркотиків – правильна молекула для правильної цілі, яка допоможе людям із специфічним захворюванням.
Як ваша команда в Empress використовує AI, щоб розкрити раніше невідомі біологічні шляхи та терапевтичні способи з генетичних даних?
Ми не обов'язково виявляємо невідомі шляхи з боку біології людини, хоча багато мікробних синтетичних шляхів можуть бути новими відкриттями. Можливо, що ще важливіше, наші моделі AI/ML ведуть нас до людських цілей та шляхів, що дозволяє нам здійснювати несподівані зв’язки з захворюваннями людини та клінічними показаннями, які раніше не були оцінені. Існують «ага» моменти, оскільки ми знаходимо цілі та шляхи, які ми думали, що ми знаємо, робимо несподівані та важливі речі в контексті певної хвороби, способами, які мають сенс і захоплюються перекладати клінічно.
Приємний приклад цього – коли ми виявили терапевтичний механізм, де необхідно залучити дві цілі з перекриттям, компенсаторними біологічними ефектами. Як і стільки цілей захворювань, промисловості та академічних зусиль, які раніше не розкрили важливу роль для кожної з цілей окремо, але ще не мають перевести їх на змістовний клінічний успіх. Дотримуючись початкових, генетичних підказок від коеволюції між мікробними хіміками та біологічними шляхами людини, ми виявили унікальну терапевтичну гіпотезу. Я не думаю, що ми б розкрили це іншими методами. Я з радістю бачу, як це відкриття перекладається для пацієнтів, оскільки це може бути першим прикладом ліків, отриманих у контексті їх хвороби.
AI постійно розвивається, що несе сильні сторони, але також викликає виклики. Чи можете ви пояснити їх з точки зору застосування ШІ для розкриття біологічних шляхів та терапевтичних способів?
Поточні методи AI та ML можуть знайти закономірності в даних та робити з'єднання та прогнози, які можуть бути неможливі, щоб знайти або зробити інакше. Однак методи обмежені якістю та кількістю основних даних. Для виявлення наркотиків, більша кількість та якість даних, зокрема, клінічні дані людини, можуть допомогти.
Наші моделі AI/ML зростають ще краще, коли ми включаємо різні способи даних. Сюди входить мультимічне профілювання зразків людей як господарів, поєднуючись із зразками наших резидентних мікробів та клінічними особливостями накладки для все більшої кількості людей, що представляють все більшу різноманітність біології.
Чи є якісь потенційні етичні чи регуляторні міркування, що виникають внаслідок використання AI для виявлення невідомої біологічної та терапевтичної цілі?
Ми ділимося та сприймаємо серйозно нашим етичним зобов'язанням знайти безпечні та ефективні нові ліки для людей, які живуть із захворюваннями, та розглядають AI як інструмент, який допоможе забезпечити це починання.
Як і у багатьох зусиллях про виявлення наркотиків, коли задіяні зразки пацієнта, захист конфіденційності є першорядним. На щастя, механізми для анонімізації даних є багато, що дозволяє компаніям співвіднести дані геномного та зразкового аналізу з клінічними тестами та результатами здоров'я. Ми захищаємо клінічні дані людини, які використовуються в наших моделях AI/ML відповідно до Закону про переносність та підзвітність медичного страхування та інші застосовні норми. Ми також оцінюємо безпеку та ефективність наших кандидатів на наркотики у суворому дотриманні FDA та іншим регуляторним вимогам.
Як ви сподіваєтесь, що майбутнє виглядає для використання AI у фармацевтичній галузі?
Я сподіваюся, що методи AI та ML продовжують розробляти та вдосконалювати, щоб допомогти виявити безпечну та ефективну терапію. Пошук правильних препаратів для правильних цілей та шляхів для вирішення конкретних захворювань залишається першорядним. Я сподіваюсь, що додаткові методи до того, що ми використовуємо в імператриці, також працюватимуть, зокрема, для захворювань, де мікроби-резиденції людини можуть не мати сильного впливу.
Це інтерв'ю було конденсовано та відредаговано для ясності.