英语轻松读发新版了,欢迎下载、更新

随着AI设计的药物看起来通过最终障碍,这种技术会改变药物发现吗?

2025-07-31 13:44:58 英文原文

作者:Anthony King

没有人工智能设计的药物曾经参加过3期临床试验,这是监管批准之前的最后障碍。但是,这可能很快就会改变。靶向慢性肺部疾病的Insilico医学的小分子可以在未来两年或两年内进入这个最后阶段。

公司报道了6月在中国一项71名患者研究表明该分子Rentosertib是安全且耐受良好的。这是最先进的研究药物,其中使用AI发现了生物学靶标和治疗化合物。

现在定期提出AI设置为–改变毒品的发现。但是,有保留者警告说,在药物研发的关键阶段和昂贵的阶段,AI尚未产生重大影响。Insilico现在需要证明其候选人有效地治疗了肺部的疾病,特发性肺纤维化,在大型3阶段试验中。

涡轮充电发现

AI在搜索和挖掘大型数据集方面非常有效,总结了这些信息并检测数据中的模式。AI的承诺在检测大噪音海洋中的信号方面要更快,更敏感。”克里斯·迈耶(Chris Meier),现在是波士顿咨询集团(BCG)的前药物研究员。机器学习尤其如此,这种AI非常熟练地识别应基于实验结果来识别哪些蛋白质或基因的目标。

AI的承诺在检测大海洋中的信号方面要更快,更敏感

Chris Meier,波士顿咨询集团

迈耶(Meier)领导第一个系统分析该研究评估了AI驱动生物技术公司的临床管道。该研究成为头条新闻,因为它报告说AI发现的分子在1阶段中得分为80%至90%的成功率,大大高于历史平均值约为66%。该分析解释说,AI可以通过彻底改变药物发现,从而进行了许多最耗时,重复和昂贵的步骤以及涡轮充电的探索。

并非每个人都印象深刻。AI依赖于收集的数据,这意味着已经探索了化学空间。其中许多目标不是很新颖。Andreas Bender,阿布扎比卡利法大学的医学机器学习教授。您知道目标,因此您更多地了解与之相关的安全性。这有助于公司选择可能适合通过第一次安全试验的候选人。

药化学家德里克·洛审查博客中的24个候选人中的每一个并指出,几乎在每种情况下,已经知道目标与正在调查的疾病有关。”他对AI在关于非凡进步的故事,带有革命性的主张。Lowe说,人们很容易被这一领域带走。我看到了各种不同计算方法的热情一波热情。

AI在预测蛋白质结构方面表现出色,但是在这里,诸如Alphafold之类的算法位于蛋白质数据库的大而干净的数据集上,蛋白质数据库中包含超过200,000个结构。当将科学文献用于机器学习时,算法会遇到一个问题,而不是他们的制作问题:仅报告有效的内容时,严重的偏见。您确实需要在数据中散布的大量质量负面结果才能获得机器学习模型的吸引力。但是,我们不会出版这些,我们假装它们从未发生过,”洛说。

大笔交易

尽管如此,AI Biotechs与制药公司之间的合作伙伴关系仍然激增。2024年1月同构实验室科技巨头字母的子公司进入与毒品公司Eli Lilly和Novartis打交道这可能是价值数十亿的。2023年,仁慈与默克签署了5.94亿美元(4.39亿英镑)的交易

递归成立于2013年基于单个基础测定的机器学习策略,现在运行高度自动化的内部实验室。我们生成的数据涵盖了生物学和化学的浮游,然后我们归零个人疾病。”莉娜·尼尔森(Lina Nilsson),公司的首席平台官。该公司表示的目的是降低传统药物发现的90%衰竭率。

其管道中的一个亮点是一种分子胶,导致某些癌细胞存活必不可少的蛋白质破坏。去年12月宣布的递归它已将该候选药物的第一位患者剂量治疗某些实体瘤和淋巴瘤。nilsson说,该计划从目标启动到[新药应用]在大约18个月内实现了研究,而行业的平均水平约为42个月。”尼尔森说。

但是,Lowe说,AI最有能力在几乎与他们对开发药物相比的重要性相反的领域提供帮助。他指出,它擅长于建议将新分子靶向已知的蛋白质或基因,以及如何制造它们,但是在诸如意外毒性等患者中,它对陷阱的观点较小。

迟到的失败也要花费更多。当一个化合物在实验室中看起来很有希望时,它将进行第一阶段的临床试验来评估安全性 - 这些试验可能只涉及15至20人,而只需花费几百万美元。下一阶段的成本约为4,500万美元,最后的第三阶段研究可能需要三到四年,吞下数亿美元,仅55%的成功可能性。

炒作与希望

Lowe说,这与AI候选药物有关,因为它们总是在生物学靶标水平上不断贬值。他说,[Insilico]使用他们的机器学习技术来加快该过程的早期阶段,但随后他们站起来像我们其他人一样抓住机会。”从这个角度来看,他并不孤单。

班德说,AI在分析生化分析的结果以选择和击中靶标的结果方面蓬勃发展,这很重要,但是大部分体内翻译完全缺少。原因:目前,患者和毒理学预测模型的数据少得多。Bender说:“我们有数百万个数据点用于目标相关活动,但复杂生物系统的数据点要少得多。”他补充说,您通常无法从简单的测定中推断出对器官毒性的预测。”即使是药物诱导的肝损伤的机制,也是最常见的器官毒性类型的机制,也只能部分理解。

我是一个短期的悲观主义者,也是一个长期的乐观主义者。我没有理由为什么这些技术可以做得很好

德里克·洛(Derek Lowe),医学化学家 

目前,这一切都导致一些人得出结论,希望与现实之间存在差距,但它不必保持这种状态。Meier在BCG上说,有一些证据表明AI正在加速发现,在某些地方使它们更成功。希望AI能使药物发现更快,并可能改变其经济性。但是,现在很难说,因为许多受AI影响很大的候选毒品尚未进入测试功效的大规模患者试验。

去年,以AI为重点的生物技术遭受了逆风。Ai-grug公司Exscientia进行了大量的人员削减,并于2024年缩小了递归之前的管道以全股交易购买。基于德国的生物技术EVOTEC修剪了管道今年增长了30%。5月,递归宣布将结束两个临床计划对于罕见的神经系统疾病,一种用于治疗艰难梭菌出于商业原因感染。尼尔森说,我们优先考虑肿瘤学和罕见疾病。

使用AI开发的候选药物现在正在成为主流,但是当前一代的成功仍然未知。然而,实验的自动化以及机器学习和生成模型现在在药物研发中普遍存在。AI最终将交付的是即使是怀疑论者的看法。Lowe说:“反对计算,硬件和算法能力驱动的进步不是一个好主意。”我是一个短期的悲观主义者,也是一个长期的乐观主义者。我认为这些技术可以做得很好。

关于《随着AI设计的药物看起来通过最终障碍,这种技术会改变药物发现吗?》的评论


暂无评论

发表评论

摘要

Insilico医学使用人工智能开发的小分子将成为第一个进入3期临床试验的AI发现药物,旨在在明年或两年内治疗特发性肺纤维化。尽管有声称AI由于其有效搜索和大型数据集的能力而可以彻底改变药物发现,但批评家认为,AI的影响受到药物开发的关键阶段的限制。尽管有挑战,但AI生物技术与制药公司之间的合作伙伴关系继续增长,像递归这样的公司在通过使用机器学习来降低传统药物发现失败率方面取得了重大进展。但是,随着AI在预测患者特异性陷阱(例如意外毒性)方面的努力,炒作与现实之间存在差距。