ხელოვნური ინტელექტის როლი მედიკამენტების განვითარებაში

ხელოვნური ინტელექტის სამუშაო პროცესების გაუმჯობესებისა და სასურველი შედეგების სწრაფად მიღების მიზნით გამოყენება სხვადასხვა სფეროში, განსაკუთრებით კი, ფარმაცევტულ ინდუსტრიაში, დღითიდღე უფრო იზრდება. რატომ? AI-ის ამ სექტორში დანერგვა მედიკამენტების აღმოჩენისა და განვითარებისას, მათ შორის, კლინიკური კვლევების მიმდინარეობისას ინდივიდების დატვირთვას ამცირებს და მიზნების მოკლე დროში მიღწევის საშუალებას იძლევა. როგორ? იმისათვის, რომ მედიკამენტმა საბოლოო სახე მიიღოს და პაციენტებს რეალური სარგებელი მოუტანოს, პირველ რიგში, მრავალი მონაცემის დამუშავებაა საჭირო. სწორედ ამ ნაწილში აქვს ხელოვნურ ინტელექტზე დაფუძნებულ ტექნოლოგიებს უდიდესი როლი – მათი მეშვეობით მონაცემების ბევრად სწრაფად და ხარისხიანად გაანალიზება, შემდეგ კი, უკეთესი სამედიცინო გადაწყვეტილებების მიღება არის შესაძლებელი.

,,მედიკამენტების აღმოჩენისა და განვითარების პროცესს შეიძლება ათწლეულზე მეტი დასჭირდეს და საშუალოდ $2,8 მილიარდი დაჯდეს. ამის შემდეგაც კი, 10 თერაპიული მოლეკულიდან 9 ვერ გადის მეორე ფაზის კლინიკურ კვლევებს და მარეგულირებლებისგან ნებართვას ვერ იღებს’’, – წერენ მკვლევრები ნაშრომში ,,ხელოვნური ინტელექტი პრეპარატების აღმოჩენასა და განვითარებაში’’.

იმისათვის, რომ მედიკამენტებმა ავტორების მიერ აღნიშნულ კლინიკურ კვლევებამდე მიაღწიონ, პრეპარატებმა არაერთი პროცესი უნდა გაიარონ – იქნება ეს მათი ფიზიკოქიმიური თვისებების დადგენა, ბიოაქტიურობისა და ტოქსიკურობის პროგნოზირება თუ სკრინინგი. ამ პროცესებს კი, ხელოვნურ ინტელექტზე დაფუძნებული ტექნოლოგიები მნიშვნელოვნად ამარტივებენ.

ფიზიკოქიმიური მახასიათებლების პროგნოზირება

ფიზიკოქიმიური თვისებებს, როგორიცაა ხსნადობა, განაწილების კოეფიციენტი (logP), იონიზაციის ხარისხი და ა.შ. მედიკამენტის ფარმაკოკინეტიკურ მაჩვენებლებსა და მისი სამიზნე რეცეპტორების ოჯახზე ირიბი გავლენა აქვს. შესაბამისად, ახალი პრეპარატის შემუშავებისას, ისინი უნდა გავითვალისწინოთ, – აღნიშნავენ კვლევის ავტორები და დასძენენ, რომ მედიკამენტის ფიზიკოქიმიური თვისებების პროგნოზირებისთვის ხელოვნურ ინტელექტზე დაფუძნებული სხვადასხვა ხელსაწყოს გამოყენება არის შესაძლებელი.

AI-ის მნიშვნელოვანი როლი აქვს წამლის შემუშავებაში, არა მხოლოდ მისი სასურველი ფიზიკურ-ქიმიური თვისებების, არამედ სასურველი ბიოაქტიურობის პროგნოზირებისთვის.

ბიოაქტიურობის პროგნოზირება

ხელოვნური ინტელექტის დახმარებით პრეპარატების არა მხოლოდ ფიზიკოქიმიური მახასიათებლების, არამედ ბიოაქტიურობის პროგნოზირებაც შესაძლებელია.

მედიკამენტის მოლეკულების ეფექტურობა დამოკიდებულია მათ აფინურობაზე სამიზნე ცილის ან რეცეპტორის მიმართ. წამლის მოლეკულები, რომლებიც სამიზნე ცილასთან ურთიერთქმედებას ან აფინურობას არ გამოხატავენ, სამკურნალო რეაქციას ვერ უზრუნველყოფენ. ასევე შესაძლებელია, რომ ზოგიერთ შემთხვევაში, შემუშავებული წამლის მოლეკულები არასასურველ ცილებთან ან რეცეპტორებთან ურთიერთქმედებდნენ, რაც ტოქსიკურობას იწვევს. სწორედ ამიტომ, მედიკამენტისა და სამიზნის ურთიერთქმედების პროგნოზირებისთვის DTBA-ის (Drug-Target Binding Affinity) დადგენა სასიცოცხლოდ მნიშვნელოვანია, – წერენ მკვლევრები და აღნიშნავენ, რომ პრეპარატისა და მისი სამიზნის თვისებების გათვალისწინებით, ხელოვნურ ინტელექტზე დაფუძნებულ მეთოდებს წამლის აფინურობის შეფასება შეუძლიათ.

ტოქსიკურობის პროგნოზირება

ნებისმიერი მედიკამენტის შემუშავების პროცესში, მისი ტოქსიკურობის პროგნოზირება სასიცოცხლოდ მნიშვნელოვანია, რათა პაციენტებში ტოქსიკური ეფექტები თავიდან ავიცილოთ. ნაერთის ტოქსიკურობის დასადგენად კი, ხშირად ინ ვიტრო ანალიზები, შემდგომ კი ცხოველებზე კვლევები ტარდება, რაც პრეპარატის განვითარების ხარჯებს ზრდის. სწორედ ამ ნაწილში შემოდის ხელოვნური ინტელექტის როლიც – მასზე დაფუძნებული მიდგომები ნაერთებს შორის მსგავსებებს ეძებს და გარკვეული მახასიათებლების საფუძველზე ნაერთის ტოქსიკურობას პროგნოზირებს.

ჯანდაცვის ეროვნული ინსტიტუტის, გარემოს დაცვის სააგენტოსა (EPA) და აშშ-ის სურსათისა და მედიკამენტების ადმინისტრაციის (FDA) მიერ ორგანიზებულ Tox21 Data Challenge-ზე 12 707 ნაერთისა და პრეპარატის ტოქსიკურობის პროგნოზირების რამდენიმე გამოთვლითი მეთოდი შეფასდა. მანქანური სწავლების ალგორითმმა, სახელწოდებით DeepTox, საუკეთესო შედეგი დადო – 2 500 ტოქსიკოფორის მახასიათებელზე დაყრდნობით, ის მოლეკულის ტოქსიკურობას ეფექტურად პროგნოზირებდა, – აღნიშნავენ მკვლევრები.

სამიზნის ცილის სტრუქტურის პროგნოზირება

დაავადებების განვითარებაში მრავალი ცილა არის ჩართული. ხოლო იმისათვის, რომ პრეპარატით მკურნალობა შედეგიანი იყოს, მედიკამენტის განვითარების პროცესში სამიზნე ცილის სტრუქტურის პროგნოზირებაა საჭირო. ხელოვნურ ინტელექტს კი, ცილის 3D სტრუქტურის პროგნოზირება შეუძლია. მაგალითად, DNN-ზე დაფუძნებულმა AI ინსტრუმენტმა სახელწოდებით AlphaFold 43 სტრუქტურიდან 25 შემთხვევაში სწორი პროგნოზი დადო.

კლინიკური კვლევები

კლინიკური კვლევების მიზანია, კონკრეტული დაავადებისთვის ადამიანებში მედიკამენტის უსაფრთხოება და ეფექტურობა დაადგინოს და მნიშვნელოვან ფინანსურ ინვესტიციებთან ერთად, 6-7 წელს მოითხოვს. თუმცა, ამ ცდებში მოხვედრილი 10 მოლეკულიდან მხოლოდ 1 არის წარმატებული, რაც ინდუსტრიისთვის დიდი დანაკარგია. ეს წარუმატებლობა შეიძლება გამოწვეული იყოს პაციენტების არასათანადო შერჩევით, ტექნიკური მოთხოვნების ვერდაკმაყოფილებით და ცუდი ინფრასტრუქტურით. თუმცა, ამ შეფერხებების შემცირება AI-ის დახმარებით არის შესაძლებელი, – წერენ მკვლევრები.

მათი თქმით, კლინიკური კვლევის წარუმატებლობის დაახლოებით 86%-ის გამომწვევი მიზეზი შეუსაბამო პაციენტების შერჩევაა. ხელოვნური ინტელექტის დახმარებით კი, მეორე და მესამე ფაზის კლინიკურ კვლევებში ჩასართავად, პაციენტთა კონკრეტული პოპულაციის შერჩევა არის შესაძლებელი, მათი პროფილების ანალიზის მეშვეობით.