هوش مصنوعی آماده است تا توسعه دارو را متحول کند

اخیراً بحث های زیادی در مورد اینکه چگونه هوش مصنوعی و یادگیری ماشین (AI/ML) تحقیقات دارویی را متحول می کند، مطرح شده است. پیشرفت قابل توجهی در کشف و شناسایی داروهای جدید فعال شده توسط AL/ML صورت گرفته است. در حال حاضر فرآیند آزمایش بالینی با پیشرفت فناوری احیا می شود. سازمان غذا و داروی ایالات متحده (FDA) در حال آماده سازی زمینه های نظارتی با یک مقاله بحث جدید در مورد هوش مصنوعی / ML در توسعه دارو است .

به گفته مؤسسه جهانی مک کینزی، پیشرفت های سریع در اتوماسیون هدایت شده با هوش مصنوعی، نحوه کشف داروهای جدید توسط دانشمندان در آزمایشگاه را متحول خواهد کرد . محققان در حال ردیابی چگونگی افزایش استفاده از AI/ML در صنعت داروسازی هستند ، از جمله کشف دارو، استفاده مجدد از دارو و بهبود بهره‌وری دارو.

مرز بعدی توسعه دارو است، از جمله ایجاد نوآوری در آزمایشات بالینی. هوش مصنوعی برای بهبود طراحی، مدیریت و نتایج کارآزمایی‌های بالینی استفاده می‌شود که امکان استفاده کارآمدتر از منابع را فراهم می‌کند و همچنین نتایج دقیق‌تری ارائه می‌دهد.

فرید ملهم ، SVP و رئیس Medidata AI ، یک رهبر اولیه که فناوری پیشرفته را در صنعت توسعه دارو به کار می‌برد، می‌گوید: «خیلی چیزها در مورد هوش مصنوعی و ML در توسعه دارو دگرگون خواهند شد. "این یک روش جدید برای درک داده ها است و به ما توانایی بهتری برای جستجو و باز کردن دانش از مواد قدیمی می دهد."

ابزارهای هوش مصنوعی برای طوفان داده

مقیاس و سرعت هوش مصنوعی برای پردازش و تجزیه و تحلیل مقادیر زیادی از اطلاعات بسیار برتر از سیستم‌های سنتی است که به دلیل رشد فزاینده دانش پزشکی و داده‌های کارآزمایی‌های بالینی سنگین شده‌اند . ما شاهد افزایش چشمگیر دیجیتالی شدن داده ها در بخش پزشکی بوده ایم و توانایی بهره برداری هوشمندانه از توان داده ها، چشم انداز درآمدی بعدی صنعت داروسازی نامیده می شود .
یک گزارش تخمین می زند که صنعت می تواند تا سال 2030 بیش از 4.5 میلیارد دلار برای تحول دیجیتال هزینه کند . این سرمایه گذاری به دلیل افزایش سریع داده های پزشکی جزئی است. مستند شده است که دانش پزشکی به طور تصاعدی در حال گسترش است. در حالی که زمان دو برابر شدن حدود 50 سال قبل در سال 1950 تخمین زده می شود، در سال 1980 به 7 سال، در سال 2010 به 3.5 سال افزایش یافت و اکنون انتظار می رود داده های پزشکی تا 5 بار در سال یا هر 70 روز یکبار دو برابر شود.

افزایش داده‌ها به افزایش پیچیدگی پروتکل با تمرکز صنعت بر بیماری‌های نادر و همچنین استفاده بیشتر از نشانگرهای زیستی و طبقه‌بندی بیماران به عنوان محرک‌های اصلی یا افزایش نیاز به داده‌ها است. یک آزمایش فاز 3 می تواند به طور متوسط 3.6 میلیون نقطه داده تولید کند که تقریباً سه برابر حجم داده های جمع آوری شده توسط مطالعات مرحله آخر یک دهه پیش است. اکثر پروتکل ها به طور متوسط شامل 263 روش برای هر بیمار هستند که تقریباً 20 نقطه پایانی را پشتیبانی می کنند که از سال 2009 44 درصد افزایش یافته است.

کارشناسان گفته اند که افزایش پیچیدگی داده ها به نرخ بالای خرابی کمک می کند. فرآیندهای توسعه پیچیده و مکانیسم های بیماری دشوار منجر به حجم بیشتری از داده ها و تعداد بیماران بیشتری در آزمایشات بالینی می شود. نرخ موفقیت به طرز وحشتناکی پایین است . احتمال پیشرفت یک داروی جدید به مرحله بعدی یا تأیید نظارتی برای همه حوزه‌های درمانی کمتر از 14 درصد است. کارآزمایی‌های فاز III دارای میزان موفقیت از حداقل 36 درصد برای سرطان‌شناسی تا بالای 85 درصد برای واکسن‌ها هستند.

برای اینکه محققان مراقبت های بهداشتی با رشد چشمگیر داده ها همگام شوند، ابزارهای جدیدی مانند هوش مصنوعی باید به طور گسترده تر مورد استفاده قرار گیرند. هوش مصنوعی یک سیستم مبتنی بر فناوری است که شامل ابزارها و شبکه‌های مختلف نرم‌افزاری پیشرفته است که می‌تواند عملکردهای انسانی خاصی را تقلید کند. یکی از ویژگی های کلیدی آن توانایی مدیریت حجم زیادی از داده ها با اتوماسیون پیشرفته است. هوش مصنوعی از چندین حوزه روش مانند استدلال، بازنمایی دانش، جستجوی راه حل استفاده می کند. ML از الگوریتم‌هایی استفاده می‌کند که می‌توانند الگوها را در مجموعه‌ای از داده‌هایی که بیشتر طبقه‌بندی شده‌اند، تشخیص دهند. یکی از زیرشاخه‌های ML یادگیری عمیق (DL) است که شبکه‌های عصبی مصنوعی (ANN) را درگیر می‌کند. برنامه های محبوب جدید در هوش مصنوعی مولد ، مانند ChatGPT، بر اساس الگوریتم هایی هستند که می توانند برای ایجاد محتوای جدید، از جمله صدا، کد، تصاویر، متن، شبیه سازی ها و ویدئوها، همانطور که توسط McKinsey توضیح داده شده است ، استفاده شوند .
هوش مصنوعی در آزمایشگاه
AI/ML پتانسیل ایجاد انقلابی در کشف دارو و سرعت بخشیدن به توسعه داروهای جدید را دارد. این می تواند توسعه دارو را ارزان تر و سریع تر کند و در عین حال احتمال تایید را افزایش دهد . مشارکت هوش مصنوعی در توسعه یک محصول دارویی برای کمک به طراحی منطقی دارو مورد استفاده قرار گرفته است . پیشنهاد شده است که زمان و سرمایه لازم برای گرفتن دارو از آزمایشگاه به آزمایشات بالینی کاهش یابد. انتظار می‌رود هوش مصنوعی با دسترسی به زیست‌شناسی جدید، بهبود یا شیمی جدید، افزایش نرخ موفقیت و سرعت بخشیدن به فرآیندهای کشف، ارزشی در کشف داروی مولکول‌های کوچک ایجاد کند . هوش مصنوعی همچنین می‌تواند با آزمایش اهداف دارویی بالقوه بر روی مدل‌های حیوانی و پیش‌بینی اینکه چگونه یک دارو ممکن است با آنها تداخل داشته باشد، به توسعه پیش بالینی کمک کند. الگوریتم‌های یادگیری عمیق می‌توانند ساختار مولکول‌ها را تجزیه و تحلیل کنند و ویژگی‌های آن‌ها مانند حلالیت، در دسترس بودن زیستی و سمیت آن‌ها را پیش‌بینی کنند. پیش‌بینی تداخل یک دارو با یک گیرنده یا پروتئین برای درک اثربخشی و اثربخشی آن ضروری است، امکان استفاده مجدد از داروها را فراهم می‌کند و از پلی‌فارماکولوژی جلوگیری می‌کند. با تجزیه و تحلیل مقادیر زیادی از داده‌ها، پیش‌بینی اثربخشی دارو و بهینه‌سازی طراحی دارو، هوش مصنوعی می‌تواند به محققان در شناسایی اهداف دارویی جدید ، طراحی داروهای جدید و بهینه‌سازی فرآیند کشف دارو کمک کند.
هوش مصنوعی در نشانگرهای زیستی
اگرچه AI/ML اخیراً با مقاله بحث جدید FDA و توجه گسترده‌تر به فناوری‌های جدید هوش مصنوعی بیشتر مورد توجه قرار گرفته است، بسیاری از این شرکت‌های زیست‌داروسازی روی تیم‌های علم داده خود و شواهدی سرمایه‌گذاری کرده‌اند تا مدل‌های ML خود را برای نشانگرهای زیستی دیجیتال مجهز به AL برای بخش بهتری از یک دهه اعتبارسنجی کنند. این صنعت با افزایش حمایت نظارتی آماده پذیرش گسترده تری است.
اندی کوراووس ، مدیرعامل و یکی از بنیانگذاران HumanFirst گفت : «توسعه دهندگان مدل‌های پیش‌بینی‌کننده برای نشانگرهای زیستی دیجیتال در بخش بهتری از یک دهه به طور گسترده از AI/ML استفاده کرده‌اند. بیش از 95 درصد از معیارهای دیجیتال مشتق شده از حسگر، از نوعی یادگیری ماشینی برای توسعه این فناوری، چه به عنوان بخشی از پردازش سیگنال و چه برای اعتبارسنجی مدل‌ها استفاده کرده‌اند. بر اساس پلتفرم اطلس Humanfirst ، که بیش از 2000 DHT مستقر در 1700 کارآزمایی بالینی را طبقه بندی می کند، بیش از 100+ حامی مالی، از جمله شرکت های برتر بیو دارو مانند Janssen (Johnson & Johnson) ، Roche و Regeneron از نشانگرهای زیستی بالینی مبتنی بر هوش مصنوعی در طیف وسیعی از نشانگرهای زیستی بالینی Phasepoint استفاده کرده اند.
نقاط پایانی دیجیتال نه تنها باعث پیشرفت علمی، بلکه کارایی R&D نیز می شود. در کنفرانس مراقبت‌های بهداشتی JP Morgan در سال گذشته، آلن هیپ، مدیر مالی Roche، ارائه‌ای در مورد نحوه استفاده سازمان از نقاط پایانی دیجیتال جدید برای prasinezumab Ph II (PASADENA) ارائه کرد که در آن مدت آزمایش با اندازه‌گیری دیجیتالی دو برابر سریع‌تر بود و حجم نمونه ۷۰٪ کمتر بود، که منجر به نسبت بازگشت ۲ برابر شد.
هوش مصنوعی در کلینیک
هوش مصنوعی برای بهبود کارآزمایی‌های بالینی و توسعه دارو از طرق مختلف پیشنهاد شده است. بر اساس یک نظرسنجی نوآوری دیجیتال علوم زیستی ، 76 درصد از پاسخ دهندگان در حال حاضر برای توسعه بالینی روی هوش مصنوعی سرمایه گذاری می کنند. جمع‌آوری و مدیریت داده‌های مبتنی بر هوش مصنوعی می‌تواند زمان و تلاش مورد نیاز برای آزمایش‌های بالینی را کاهش دهد، روند توسعه دارو را تسریع کند و به شرکت‌ها کمک کند تا درمان‌های جدید را سریع‌تر به بازار عرضه کنند.
ملهم از Medidata AI می گوید: "AI/ML در ابتدا کمک بزرگی در اتوماسیون بسیاری از وظایف خواهد بود." این فناوری تحت نظارت خواهد بود، اما این فناوری به کاهش زمان زیادی که اکنون صرف ایجاد تجزیه و تحلیل یا نمودارها و همچنین مستندسازی حجم زیادی از داده های جمع آوری شده در آزمایشات بالینی می شود، کمک خواهد کرد.
فناوری‌های هوش مصنوعی می‌توانند برای ایجاد عناصر داده‌ای ساختاریافته، استاندارد شده و دیجیتال از طیف وسیعی از ورودی‌ها و منابع استفاده شوند. این ابزارها می توانند عناصر داده گسترده را تفسیر کنند، سیستم عامل های پایین دستی را تغذیه کنند و به تکمیل گزارش ها و تحلیل های مورد نیاز کمک کنند.
طراحی پروتکل طراحی مطالعه مبتنی بر هوش مصنوعی می تواند به بهینه سازی و تسریع نوشتن پروتکل های کارآزمایی بالینی هدفمند مناسب کمک کند. این نویدبخش کاهش تعداد اصلاحات، افزایش احتمال موفقیت و بهبود کارایی کلی، علاوه بر کاهش بار بیمار است. الگوریتم‌های هوش مصنوعی می‌توانند داده‌های کارآزمایی بالینی تاریخی را برای شناسایی مناطق بالقوه برای بهینه‌سازی پروتکل، مانند انتخاب نقاط پایانی مناسب، اندازه نمونه و مدت زمان مطالعه، تجزیه و تحلیل کنند. با استفاده از توانایی هوش مصنوعی در تجزیه و تحلیل داده‌های پیچیده، محققان می‌توانند آزمایش‌های کارآمدتر و آموزنده‌تری را طراحی کنند.
جمع آوری داده ها. هوش مصنوعی می تواند به توسعه روش های نوآورانه برای جمع آوری داده های کارآزمایی و کاهش نیاز بیماران به بازدید از سایت های بیمارستان کمک کند. حسگرهای بدن و دستگاه‌های پوشیدنی مانند دستبند، مانیتور قلب، وصله‌ها و لباس‌های مجهز به حسگر می‌توانند علائم حیاتی و سایر اطلاعات را از خانه بیماران نظارت کنند. الگوریتم‌های پیشرفته به آشکار کردن بینش‌های زمان واقعی در مورد اجرای مطالعه و پایبندی بیمار کمک می‌کنند.
غربالگری بیمار الگوریتم‌های مبتنی بر هوش مصنوعی می‌توانند تشخیص اینکه کدام بیماران برای آزمایش‌های بالینی مناسب هستند بر اساس ویژگی‌های پزشکی شخصی خاص و همسو با معیارهای ثبت‌نام کارآزمایی‌ها را تسهیل کنند. به این ترتیب، بیماران با ترکیبات ظریف علائم ممکن است شناسایی و تشخیص داده شوند و گزینه هایی برای آزمایشات بالینی ارائه شوند. AI/ML می‌تواند برای استخراج مقادیر زیادی از داده‌ها ، مانند داده‌های پایگاه‌های داده‌های کارآزمایی‌های بالینی، اعلامیه‌های آزمایشی، رسانه‌های اجتماعی، ادبیات پزشکی، ثبت‌ها، و داده‌های ساختاریافته و بدون ساختار در EHR استفاده شود، که می‌تواند برای تطبیق افراد با کارآزمایی‌ها استفاده شود. AI/ML به عنوان بخشی از یک بررسی بالینی در پیش‌بینی پیامد بالینی یک شرکت‌کننده بر اساس ویژگی‌های پایه بررسی و استفاده شده است، و مدل‌های پیش‌بینی‌کننده را می‌توان برای غنی‌سازی کارآزمایی‌های بالینی مورد استفاده قرار داد و ممکن است برای کاهش تنوع و افزایش قدرت مطالعه امکان‌پذیر باشد . چنین مدل‌هایی همچنین می‌توانند برای طبقه‌بندی شرکت‌کنندگان مورد استفاده قرار گیرند که می‌تواند منجر به پیش‌بینی احتمال یک رویداد نامطلوب جدی شود.
دوز. AI/ML می تواند برای توصیف و پیش بینی پروفایل های فارماکوکینتیک (PK) پس از تجویز دارو استفاده شود. همچنین می توان از آن برای مطالعه رابطه بین قرار گرفتن در معرض دارو و پاسخ استفاده کرد.
نظارت و ایمنی در زمان واقعی سیستم‌های مجهز به هوش مصنوعی می‌توانند نظارت مستمر بیماران را در طول آزمایش‌های بالینی فعال کنند و بینش‌هایی را در زمان واقعی از وضعیت سلامتی و واکنش‌های نامطلوب احتمالی آن‌ها ارائه دهند. این می تواند به اطمینان از ایمنی شرکت کنندگان کمک کند و در صورت نیاز امکان مداخله به موقع را فراهم کند.
پایبندی و حفظ. AI/ML می‌تواند برای نظارت و بهبود پایبندی در طول کارآزمایی بالینی از طریق ابزارهای راه دور مانند هشدارها و یادآوری‌های تلفن هوشمند استفاده شود. همچنین این پتانسیل را دارد که با افزایش دسترسی شرکت‌کنندگان به اطلاعات آزمایشی مربوطه با فعال کردن ابزارهایی مانند ربات‌های چت هوش مصنوعی، کمک صوتی و جستجوی هوشمند، حفظ را بهبود بخشد.
مستندات. یکی از بارهای کاری مهم توسعه بالینی، نیاز به خلاصه کردن مقادیر زیادی از اطلاعات، و سپس تجزیه و تحلیل برای ارسال های نظارتی است. برای مثال یک برنامه دارویی جدید (NDA) می تواند بیش از 100000 صفحه داشته باشد. اتوماسیون هوش مصنوعی می تواند اسناد ، تجزیه و تحلیل و ارسال را تا حد زیادی تسهیل و تسریع کند.
مدیریت داده ها از آنجایی که شرکت‌های دارویی صدها هزار صفحه گزارش و مستندات را برای تنظیم‌کننده‌ها تولید می‌کنند، هوش مصنوعی می‌تواند به خودکارسازی تولید بسیاری از این اطلاعات کمک کند، و باید در شرکت حامی و شرکای خارجی مانند سازمان‌های تحقیقاتی بالینی، سایت‌های کارآزمایی بالینی، شرکای دانشگاهی و محققین، داده‌های متنوع و پیچیده دنیای واقعی (RWD) استخراج شده از پرونده‌های پزشکی الکترونیکی (EHR)، به اشتراک گذاشته شود. این می تواند برای طیف وسیعی از اهداف پاکسازی و نگهداری داده ها، از جمله شناسایی مشارکت کننده تکراری و نسبت مقادیر داده های از دست رفته استفاده شود.
دوقلوهای دیجیتال و بازوهای کنترل خارجی. AI/ML همچنین می‌تواند در زمینه ایجاد دوقلوهای دیجیتالی استفاده شود، که در کپی‌های سیلیکونی ویژگی‌های مرتبط بیمار ضروری هستند. این یک روش نوظهور است که می‌تواند برای ساختن کپی‌هایی از یک فرد مورد استفاده قرار گیرد که بتواند تغییرات مولکولی و فیزیولوژیکی را به صورت پویا منعکس کند و به طور بالقوه اثرات دارویی از جمله رویدادهای ایمنی را پیش‌بینی کند. چنین مفهومی در بازوهای کنترل خارجی (ECAs) که در آن دوقلوهای دیجیتال جمع‌آوری شده می‌توانند یک رکورد بالینی جامع، طولی و محاسباتی ایجاد شده برای درک آنچه در یک بازوی کنترل پلاسبو سنتی یک کارآزمایی بالینی اتفاق می‌افتد، ارائه دهند، مفید خواهد بود.

رهبری رگولاتوری هوش مصنوعی

FDA در ژوئن 2023 مقاله ای را منتشر کرد که AI/ML در توسعه دارو را پوشش می دهد، با استفاده از هوش مصنوعی و یادگیری ماشینی در توسعه دارو و محصولات بیولوژیکی. هدف اعلام شده FDA، برقراری ارتباط اولیه با ذینفعان، از جمله گروه های دانشگاهی، محققان و توسعه دهندگان فناوری است که هدف آن ترویج یادگیری و بحث متقابل است. این آژانس تعاریف بسیار مورد نیاز را ارائه می‌کند، از جمله اینکه یادگیری ماشینی (ML) زیرمجموعه‌ای از هوش مصنوعی در نظر گرفته می‌شود که اجازه می‌دهد مدل‌های ML توسط الگوریتم‌های آموزش ML از طریق تجزیه و تحلیل داده‌ها، بدون اینکه مدل‌ها به‌صراحت برنامه‌ریزی شده باشند، توسعه یابد.

مقاله بحث طیف گسترده ای از نحوه اجرای AI/ML در کشف دارو برای شناسایی هدف و غربالگری ترکیبات و همچنین در تحقیقات بالینی برای استخدام، انتخاب شرکت کنندگان در کارآزمایی، بهینه سازی رژیم دوز/جامعه، تبعیت، حفظ، انتخاب مکان، جمع آوری داده های کارآزمایی و ارزیابی نقطه پایانی بالینی را تشریح می کند. دو بخش دیگر به برنامه‌های AI/ML برای نظارت بر ایمنی پس از بازار و ساخت داروسازی پیشرفته نگاه می‌کنند. یکی از بخش‌های کلیدی مقاله بحث FDA، ارجاعاتی به نحوه اعمال AI/ML به داده‌های دنیای واقعی (RWD) و داده‌های فناوری‌های سلامت دیجیتال (DHT) در حمایت از توسعه دارو است.

FDA بیان می کند که "AI/ML برای تجزیه و تحلیل مقادیر زیادی از داده ها از مطالعات مداخله ای (که به عنوان کارآزمایی های بالینی نیز نامیده می شود) و مطالعات غیر مداخله ای (همچنین به عنوان مطالعات مشاهده ای نامیده می شود) برای استنتاج در مورد ایمنی و اثربخشی یک دارو استفاده می شود. علاوه بر این، AI/ML این پتانسیل را دارد که طراحی و کارآیی کارآزمایی‌های غیرسنتی مانند آزمایش‌های بالینی غیرمتمرکز و کارآزمایی‌هایی را که شامل استفاده از RWD استخراج‌شده از EHRs، ادعاهای پزشکی یا سایر منابع داده است، ارائه دهد.

تغییرات تحقیقات بالینی با تاخیر طولانی مدت

توسعه سنتی برای کارآزمایی‌های بالینی یک فرآیند گران‌قیمت ناپایدار است. به عنوان یک قاعده، هزینه آزمایشات بالینی فاز دو می تواند بین 7 تا 20 میلیون دلار باشد، در حالی که هزینه متوسط فاز سه می تواند از 50 تا 100 میلیون دلار فراتر رود. به گفته دانشگاهیان، قیمت کلی برای دریافت یک دارو تا پایان تایید بیش از یک میلیارد دلار است.

زمان‌بندی طولانی‌تر به هزینه تولید داروهای جدید کمک می‌کند. اغلب 10 تا 12 سال طول می کشد تا یک داروی بالقوه از طریق تحقیق و توسعه (R&D) به بازار عرضه شود. مرحله کارآزمایی بالینی معمولاً به دلیل جریان سنتی داده ها از طریق سیستم های عملیات بالینی به طور متوسط پنج تا هفت سال است که می تواند پیچ و خم پیچیده ای از تلاش دستی، دوباره کاری و ناکارآمدی باشد.

اولین کارآزمایی تصادفی شده کنترلی استرپتومایسین در سل ریوی در سال 1946 انجام شد. مدیران علوم زیستی گاهی اوقات از این که همان فرآیندهایی که بیش از 50 سال پیش استفاده می شد هنوز استاندارد هستند ابراز تاسف می کنند. در حال حاضر هوش مصنوعی این پتانسیل را دارد که آزمایشات بالینی را به طرق مختلف بهبود بخشد. این قول می دهد که در مراحل مختلف فرآیند کشف و توسعه دارو کمک کند. این می تواند به شناسایی اهداف دارویی بالقوه، شبیه سازی تداخلات دارویی و بهینه سازی ترکیبات سرب کمک کند. علاوه بر این، هوش مصنوعی می‌تواند ادبیات علمی را برای حمایت از محققان در ارزیابی آخرین یافته‌ها تجزیه و تحلیل کند و به طور بالقوه توسعه درمان‌های جدید را تسریع کند. در توسعه دارو، هوش مصنوعی می‌تواند مقادیر زیادی از داده‌های بالینی، از جمله سوابق بیمار، اطلاعات ژنتیکی و داده‌های تصویربرداری را پردازش و تجزیه و تحلیل کند. با استفاده از تکنیک‌های یادگیری ماشین، الگوریتم‌های هوش مصنوعی می‌توانند الگوها را شناسایی کنند، همبستگی‌ها را شناسایی کنند و پیش‌بینی‌هایی انجام دهند که می‌تواند به شناسایی پیامدهای بالقوه درمان، عوارض جانبی یا تداخلات دارویی کمک کند.
منبع:
https://www.forbes.com/sites/greglicholai/2023/07/13/ai-poised-to-revolutionize-drug-development

من را در توییتر یا لینکدین دنبال کنید
https://www.linkedin.com/in/greg-licholai-99124a5
گرگ لیچولای MD