编码的创造力在药物发现

人工智能(AI)被越来越多地用来支持药物发现在过去的十年里。开创性的初创公司已经说服传统公司,人工智能和机器学习可以节省时间和金钱,而放大新奇。

一个估计86%的药物开发计划在2000年至2015年间以失败告终。同时成本的估计为市场带来一种新药从数百万到数十亿美元。“我们需要改变制药行业的经济学。我们需要改变药物的发明,Exscientia的创始人安德鲁•霍普金斯说。

当Exscientia开始大约10年前,霍普金斯回忆说,“有很强的抵抗算法和机器学习的概念可以做一些创造性的药物发现的。但是人们的态度已经有所转变。大型制药公司是押注于人工智能,建立制药公司之间的合作伙伴关系正在激增和新的初创企业。

赛诺菲安万特与Exscientia2022年,(£8000万)现金出资1亿美元帮助发展15新型小分子肿瘤学和免疫学候选人。如果项目达到其发展的里程碑,赛诺菲可以支付高达52亿美元。人工智能生物技术递归在犹他州,我们签署一项协议罗氏公司和Genentech揭开分子使用人工智能神经和癌症迹象,净赚1.5亿,性能提供高达3亿美元的里程碑付款。去年,阿斯利康扩大其药物发现与BenevolentAI合作包括红斑狼疮和心脏衰竭。

秘密是汇集人类直觉和经验和数据

2023年1月,拜耳和谷歌云宣布共同加速拜耳的量子化学计算来驱动早期药物发现通过机器学习。这应该增加硅生物和化学系统的建模,从而帮助确定候选药物。然而,在1月下旬,谷歌的母公司字母表证实它将在全球范围内裁员12000人,包括许多在其团队支持药物发现。大约在同一时间,BioNTech收购了AI公司InstaDeep帮助开发免疫疗法和疫苗£3.62亿。

地图的能力小说疾病通路和确定新的目标潜力巨大,”说魔士拉赫曼药用化学家在伦敦国王学院,英国。这就是为什么我们看到,大型制药公司与基于ai公司。”这是支撑海量数据,可以由人工智能,并且越来越自动化湿实验室实验。

看到过去混乱的生物学

生物学是复杂的,而药物发现是由信息。递归建立人类疾病生物学制定更好的地图允许科学家发现更好的药物。我们已经有了一个真正的缺乏了解的基本人类生物学——说不出的复杂,“约瑟夫·卡彭特说,负责药物化学在递归。与此同时,新的科学出版物的数量以及细胞、组织和病人数据相关疾病定位是巨大和快速增长。人工智能可以发现在搜集的数据模式,是人类认识到不可能。

Evotec,总部设在德国汉堡、视图AI工具将生物学家和化学家在一起,消化大量的科学论文和见解-使用自然语言处理和把它变成一个知识图。你可以将数据联系在一起,在一个地方,在那里你可以有不同类型的科学家之间的谈话,”大卫·Pardoe说全球分子架构师主管Evotec。的秘密是汇集人类直觉和经验和数据。

而人工智能和机器学习必须生物转化为可量化的价值观,人类仍在方程中一个至关重要的元素。说我们想编码药物发现,霍普金斯。但我们需要理解人类知识和隐性知识和创造力,并询问如何变成了codable,可重复的和可伸缩的。这就是为什么该公司所称的AI平台半人马,human-horse混合后从希腊神话生物。使用半人马正在创建的分子治疗癌症的临床试验,强迫症和阿尔茨海默病精神错乱——后两个发达国家与日本公司日本住友制药公司。

得益于技术进步。已经改变了的第一件事是计算能力,还有大量的数据是可用的,“Rahman说。预测模型更好地工作当有大训练集,和一些人工智能生物技术现在依靠世界上最快的超级计算机。拉赫曼曾花了六个月的运行与蛋白质分子相互作用的分子动力学模拟的目标;但现在可能在几天或几周内更高的分辨率。这意味着你得到更真实的数据如何化合物与生物系统,交互的拉赫曼解释道。提高洞察分子对接、分子动力学和药代动力学性质的分子在临床前阶段是至关重要的,如果他们不是失败,昂贵,进一步。

很多工作

使用人工智能,Insilico已经确定一个新的目标对特发性肺纤维化,慢性肺疾病,然后设计了一个小分子药物候选。这是唯一可能的利用大量的信息。”对于我们的人工智能平台,我们有1000万个数据样本,4000万出版物和接近二百万种化合物生物数据,包括结构、活动、安全和druggability,”冯说任,Insilico联席首席执行官。卡彭特指出,递归收集了21个pb的数据。

利用庞大的数据集,机器学习和人工智能的目标是提供更少的优秀分子。这种对比传统组合方法采用在1990年代,合成成千上万的化合物,其中一小部分进展超出了实验室。Pardoe说创建分子信息丰富成为被关注的焦点。“我们不想让成千上万的分子了,”他说。“我们希望分子帮助您理解(药物)结合位点是什么样子的,或者你会与结合位点。

我们不想让成千上万的分子了。我们希望分子,帮助我们理解的问题

Exscientia已经报道一种新型CDK7抑制剂,与潜在的治疗癌症。只是136种新化合物和测试——在不到一年的时间,发现抑制剂。与此同时,其新immuno-oncology候选人固体肿瘤患者是“由我们的算法快速的发现过程,大约有176的小说化合物和测试发现化合物”,霍普金斯说。他说,他们平均在250年写的小说《分子从一个想法到药物的候选人,而行业平均大约2500到5000。薛定谔描述为利用物理平台,评估82亿种化合物计算和合成78分子在10个月段的设计、制造、测试之前选择一个抗癌分子被清除进入临床试验淋巴瘤患者。

更快的发现是吹捧为一个主要的AI上行。2019年的一篇论文从Insilico报道深度生成小分子模型,优化合成可行性,新奇和生物活性的纤维化和其他疾病。的实验是在21天完成,我们生成一个分子,一直到老鼠在46天,“创始人Alex Zhavoronkov说。Pardoe Evotec说现在可以从探索目标转移到拥有21个月临床前开发候选人或更少。

但拉赫曼警告,尽管庞大的数据量,预测模型总是不可靠的。“你需要实验数据验证(模型),”他补充道,“但会发生什么可能在未来5到10年实验的数据集将会增加,丰富这些人工智能模型。,可能会大大提高成功率。“Insilico是几个AI公司投资之一高度自动化湿实验室。

递归的木匠同意:在大规模的数据集是至关重要的,但是数据是可靠的,”他说。每周超过二百万湿实验执行公司的高度自动化实验室在盐湖城,我们。预测和计算,合成和实验室实验然后一起吃药物发现。

访问所有地区

AI爱好者很快说他们的算法是不可知论者治疗区域。但努力是倾斜的,特别是对癌症。“这就是投资回报率更高,”Rahman说。他主张加大人工智能探索抗菌素的使用,特别是对困难的革兰氏阴性细菌,如铜绿假单胞菌,成功率会欢迎任何改善。的实验室的吉姆·柯林斯在美国麻省理工学院的招聘AI发现新的抗生素,而Exscientia合作与比尔和梅林达•盖茨基金会开发病毒疗法具有大流行的潜力。

神经退行性疾病也有兴趣,是出了名的难以开发药物。这些疾病,传统方法没有成功,还有一个大型未满足临床需要,”笔记拉赫曼。AI可以揭示制药目标对阿尔茨海默氏症——可以说是缺乏明确的目标。BenevolentAI运行第二阶段试验在英国AI-inspired候选人帕金森症。现在公司的管道包括一个候选人过敏性皮炎在阶段2。在美国,Insitro开始五年的合作在2020年与百时美施贵宝公司工作两个神经退行性疾病——肌萎缩性脊髓侧索硬化症和额颞叶痴呆。Insilico也感兴趣的中枢神经系统疾病,包括帕金森病、纤维化,肿瘤学和免疫学。任都与老化有关,解释说:“我们希望使用我们的算法了解衰老的生物学和与年龄相关的疾病。”

扩展的复杂性

除了看小分子药物、人工智能和机器学习开始是针对更复杂的生物药物。在2022年末,Exscientia开始试图设计人类抗体。我们看着它作为一个概念证明使用深度学习的方法来生成和屏幕,实际上,令人难以置信的大图书馆的虚拟抗体,“霍普金斯说。最终的目标是发展具体目标抗体。

蛋白质疗法或药物靶点进行调查不容易在实验室里研究,造型如何折叠是一个至关重要的因素在决定自己的行为。DeepMind AlphaFold,该算法由谷歌开发的子公司,已经有了极大的改善蛋白质三维结构的预测从氨基酸序列。虽然它不太可能立即彻底改变药物发现,Pardoe预言AlphaFold将产生重大影响。

其他人,如产生共同在美国,正在发展自己的算法。生成结合计算和实验室描述已知的蛋白质,寻求统计模式在氨基酸序列、结构和功能。学习折叠从现有结构的一般原则可以让公司设计全新的蛋白质的架构,或者绑定来扰乱人类蛋白质以合适的方式解决疾病状态,机器学习主管约翰·英格拉说。公司合作安进公司5临床目标。

人工智能的另一个趋势是使用不仅在早期药物发现,但在发展:铅优化,预测毒性,药物动力学,甚至选择病人组在临床试验中。整个过程的集成人工智能将改变我们看到药物发现和开发的方式,“拉赫曼预测。我们的目标是使制药公司更有效率,人类和机器的结合,“霍普金斯说。我觉得我们赢了,我们相信所有药物在未来将会以这种方式设计的。