Актуальная роль искусственного интеллекта в фармацевтической промышленности
За последние несколько лет использование искусственного интеллекта (ИИ) в фармацевтической и биомедицинской промышленности превратилось из научной фантастики в научный факт. Фармацевтические и биотехнологические компании все чаще внедряют более эффективные автоматизированные процессы, которые включают решения, основанные на данных, и используют инструменты прогнозной аналитики. Следующая эволюция этого подхода к расширенной аналитике данных включает искусственный интеллект и машинное обучение.
В отличие от искусственного интеллекта (ИИ) из научно-фантастических фильмов, который завоевывает мир, ИИ, используемый в фармацевтике и других отраслях, представляет собой узконаправленный тип машинного интеллекта, предназначенный для решения конкретной задачи или набора задач с использованием автоматизированных алгоритмов.
Цель этого типа технологии искусственного интеллекта — находить скрытые закономерности и собирать информацию из огромных объемов данных способами, недоступными человеку. Использование ИИ для интеллектуального анализа данных и аналитики уже трансформирует многие отрасли, включая фармацевтику и биотехнологии. Его использование варьируется от открытия лекарств до автоматизации производственного процесса и клинических приложений (таких как медицинская визуализация и хирургические роботы).
Типы искусственного интеллекта
Большинство решений искусственного интеллекта, используемых сегодня в здравоохранении, основаны на созданных человеком технологиях. алгоритмы обработки данных. Этот тип ИИ использует многомерную аналитику данных, подтвержденную прошлыми экспериментальными данными. Например, он может объединять результаты лечения на основе популяции с клиническими данными и историей болезни отдельного пациента, чтобы создавать альтернативы лечения и рекомендовать комбинации лекарств.
Другой уровень ИИ машинное обучение, который опирается на так называемые нейронные сети, имитирующие работу человеческого мозга, но потенциально способные принимать решения гораздо быстрее и точнее. Машинное обучение использует алгоритмы, управляемые данными, которые позволяют программным приложениям с высокой точностью прогнозировать результаты без необходимости явного программирования.
Следующий уровень ИИ глубокое обучение, который также основан на нейронных сетях, но включает в себя комбинацию отдельных слоев вычислений вместе с комбинированными сигналами. Глубокое обучение имеет большой потенциал для диагностического использования, позволяя точно анализировать изображения (такие как фотографии состояния кожи или рентгенологические снимки) в сочетании с данными патологии и историческими результатами лечения.
Приложения для искусственного интеллекта в фармацевтике
Использование ИИ в биофармацевтической отрасли неуклонно растет, начиная от разработки лекарств на ранней стадии и заканчивая назначением вариантов лечения, при этом прогнозируемый объем рынка к 2024 году достигнет 10 миллиардов долларов (включая медицинскую визуализацию на основе ИИ, диагностику, персональных помощников ИИ, поиск лекарств и геномика).
Вот некоторые из способов применения ИИ в биофармацевтической промышленности:
Улучшение производственного процесса
В разработке и производстве ИИ предоставляет множество возможностей для улучшения процессов. ИИ может осуществлять контроль качества, сокращать время проектирования, сокращать отходы материалов, улучшать повторное использование продукции, проводить профилактическое обслуживание и многое другое.
ИИ можно использовать разными способами, чтобы сделать производство более эффективным за счет более быстрого производства и меньшего количества отходов. Например, процесс, который обычно зависит от вмешательства человека для ввода данных процесса или управления ими, может выполняться с использованием ЧПУ (числового программного управления). Алгоритмы машинного обучения ИИ не только обеспечивают очень точное выполнение задач, но и анализируют процесс, чтобы найти области, в которых его можно оптимизировать. Это приводит к меньшему количеству отходов материала, более быстрому производству и более последовательному соответствию критическим атрибутам качества (CQA) продукта.
Открытие и разработка лекарств
От разработки новых молекул до определения новых биологических мишеней ИИ играет важную роль в идентификации и проверке мишеней для лекарств; целевые, фенотипические, а также многоцелевые открытия лекарств; перепрофилирование лекарств; и идентификации биомаркеров.Ключевым преимуществом для фармацевтических компаний является потенциал ИИ, особенно при его внедрении во время испытаний лекарств, который позволяет сократить время, необходимое лекарству для получения одобрения и выхода на рынок. Это может привести к значительной экономии средств, что может означать более дешевые лекарства для пациентов, а также более широкий выбор лечения.
Например, исследователи в области фармацевтики могут идентифицировать и проверять новые мишени для лекарств от рака, используя такие данные, как продольные электронные медицинские записи (записи EMR), секвенирование нового поколения и другие омические данные, которые используются для создания репрезентативных моделей отдельных пациентов.
Подробнее: Как оптимизировать среды для культивирования клеток, чтобы ускорить разработку биофармацевтических препаратов
Обработка биомедицинских и клинических данных
Возможно, наиболее развитое использование ИИ на сегодняшний день связано с алгоритмами, предназначенными для чтения, группировки и интерпретации больших объемов текстовых данных. Это может значительно сэкономить время исследователям в области наук о жизни, предоставляя более эффективный способ изучения огромных объемов данных из растущего объема исследовательских публикаций, чтобы подтвердить или отвергнуть гипотезы.
Кроме того, многие клинические исследования до сих пор полагаются на бумажные дневники, в которых пациенты записывают, когда они принимали лекарство, какие другие лекарства они принимали и какие побочные реакции у них были. ИИ может собирать и интерпретировать все, от рукописных заметок и результатов тестов до факторов окружающей среды и сканированных изображений. Преимущества использования ИИ таким образом включают более быстрое исследование и сопоставление данных, а также объединение и извлечение данных в пригодные для анализа форматы.
Исследование Cognizant показало, что около 80% клинических испытаний не соблюдают сроки регистрации, а одна треть всех прекращений клинических исследований фазы III связана с трудностями регистрации.
Редкие заболевания и персонализированная медицина
Сочетая данные сканирования тела, биологии пациентов и аналитики, ИИ используется различными способами для выявления таких заболеваний, как рак, и даже для прогнозирования проблем со здоровьем, с которыми люди могут столкнуться, исходя из их генетики.Одним из примеров является IBM Watson for Oncology, который использует медицинскую информацию и историю каждого пациента, чтобы рекомендовать индивидуальный план лечения.
ИИ также используется для разработки персонализированного лечения лекарствами на основе результатов анализов человека, реакций на прошлые лекарства и исторических данных пациентов о реакциях на лекарства.
Выявление кандидатов на клинические испытания
Помимо помощи в осмыслении данных клинических испытаний, еще одним применением искусственного интеллекта в фармацевтической промышленности является поиск пациентов для участия в испытаниях. Используя расширенную прогностическую аналитику, ИИ может анализировать генетическую информацию, чтобы определить подходящую популяцию пациентов для исследования и определить оптимальный размер выборки. Некоторые технологии искусственного интеллекта могут считывать текст в произвольной форме, который пациенты вводят в приложения для клинических испытаний, а также неструктурированные данные, такие как заметки врача и приемные документы.
Ошеломляющие 86% клинических испытаний не набирают достаточного количества пациентов. Это приводит к замедлению исследований и задерживает доступ пациентов к жизненно важным лекарствам.
Прогнозирование результатов лечения
Среди приложений искусственного интеллекта, экономящих время и средства, можно назвать возможность сопоставлять лекарственные вмешательства с отдельными пациентами, сокращая работу, которая ранее была связана с пробами и ошибками. Модели машинного обучения способны прогнозировать реакцию пациента на возможное медикаментозное лечение, делая выводы о потенциальных взаимосвязях между факторами, которые могут повлиять на результаты, такими как способность организма поглощать соединения, распределение этих соединений по телу и метаболизм человека. .
Прогностические биомаркеры
Разработка биомаркеров является важной задачей не только в контексте медицинской диагностики, но и в процессе открытия и разработки лекарственных средств. Например, прогностические биомаркеры используются для выявления потенциальных ответчиков на молекулярную таргетную терапию до того, как лекарство будет испытано на людях. В этом процессе ИИ использует модели биомаркеров, которые «обучаются» с использованием больших наборов данных.
Перепрофилирование лекарств
Для фармацевтических компаний с ограниченным бюджетом перепрофилирование лекарств обещает стать одной из самых неотложных областей, в которых технологии на основе ИИ могут принести большую пользу. Перепрофилирование ранее известных лекарств или лекарств-кандидатов на поздних стадиях для новых терапевтических областей является желаемой стратегией для многих биофармацевтических компаний, поскольку это сопряжено с меньшим риском неожиданной токсичности или побочных эффектов в испытаниях на людях и, вероятно, с меньшими затратами на исследования и разработки.
Приверженность к лечению и дозировка
Обеспечение соблюдения протокола исследования препарата добровольными участниками клинических исследований является огромной проблемой для фармкомпаний. Если пациенты, участвующие в исследовании лекарств, не соблюдают правила исследования, они должны быть либо исключены из исследования, либо рискуют исказить результаты исследования лекарств. Одним из важных факторов успешного испытания препарата является обеспечение того, чтобы участники принимали необходимую дозу исследуемого препарата в установленное время. Вот почему так важно иметь способ обеспечить приверженность к лечению. И с помощью удаленного мониторинга, и с помощью алгоритмов оценки результатов тестирования ИИ может сортировать хорошие яблоки от плохих.
Движение к ИИ в фармацевтической разработке
Хотя возможности использования ИИ в развитии фармацевтики и биотехнологий очевидны, фактический переход к внедрению таких технологий может быть медленным. Мало того, что традиционные процессы разработки и открытия лекарств требуют более постепенной адаптации (а не того, что некоторые могут считать «прорывом» технологии), процесс «обучения» ИИ тому, что работает для открытия лекарств, может занять больше времени, чем в других приложениях.
Например, когда социальные сети помечают вашу фотографию с помощью ИИ, они немедленно получают от вас обратную связь о том, верны ли результаты, что позволяет ИИ быстро учиться. С открытием лекарства отзывы о новой молекуле как кандидате в лекарство могут занять месяцы или годы, чтобы доказать это.
Тем не менее, нельзя отрицать, что ИИ станет следующим большим шагом в фармацевтической отрасли, и те компании, которые адаптируются и внедряют новые процессы, будут иметь стратегическое преимущество. Начать стоит с использования существующих сегодня технологий анализа данных, основанных на многомерном и прогнозном анализе.
