„Tot ceea ce facem – fie că este vorba de proiectare, fabricare, testare sau analiză – este acum îmbunătățit computațional”, spune Puja Sapra, vicepreședinte senior și șef al ingineriei biologice și descoperirii țintite în oncologie la AstraZeneca. „Ciclurile de timp se scurtează, în timp ce productivitatea și inovația cresc.” Sapra explică faptul că abordarea AstraZeneca urmează o buclă de tip „construiește-măsoară-învață”. AI generează sau prioritizează computațional molecule candidate, prezicând care modele au cele mai mari șanse de succes. Oamenii de știință își concentrează apoi resursele de laborator doar asupra candidaților clasați pe primele locuri. Acest lucru duce la un ciclu de feedback mai strâns, cu mai puține fundături, iterații mai rapide și capacitatea de a viza ținte de boală considerate anterior netratabile medicamentos. Deoarece numărul combinațiilor moleculare posibile depășește cu mult ceea ce orice echipă umană poate explora sistematic, utilizarea AI pentru a restrânge și rafina opțiunile de testare a devenit un obiectiv major în proiectarea medicamentelor biologice.
Dincolo de accelerarea termenelor, AI este aplicată și pentru descoperirea unor clase complet noi de medicamente. Biologicele tradiționale vizează de obicei o singură cale de boală. Următoarea generație de medicamente poate atinge simultan mai multe ținte sau poate livra cu precizie încărcături terapeutice către celule specifice. Realizarea acestui lucru necesită optimizarea simultană a mai multor variabile. Privind în perspectivă, modelele bazate pe AI ar putea ajuta la proiectarea acestor biologice din ce în ce mai complexe, multi-specific, explică Puja Sapra. „De exemplu”, continuă ea, „astfel de modele ar putea ajuta la identificarea căror două sau trei ținte să li se acorde prioritate pe baza biologiei subiacente, apoi să optimizeze pe mai mulți parametri pentru a echilibra potența, stabilitatea, fabricabilitatea și siguranța unei molecule.” „Medicamentarea a ceea ce era considerat nemedicamentabil devine realitate”, spune Sapra. „Aceste tehnologii ne vor permite în cele din urmă să dezvoltăm medicamente împotriva unor ținte considerate cândva imposibil de atins. Potențialul de beneficiu pentru pacienți este remarcabil.”
McKinsey estimează că AI generativă, combinată cu alte instrumente computaționale, ar putea reduce termenele de descoperire a medicamentelor cu până la 50%. Dar fiecare model AI este la fel de bun ca datele sale de antrenament. În descoperirea medicamentelor, aceasta înseamnă cantități ample de date biologice de înaltă calitate. Experimentele pot oferi o sursă bogată de astfel de date. Indiferent dacă reușesc sau eșuează, fiecare experiment generează un semnal despre ceea ce funcționează și ceea ce nu funcționează. „Datele sunt factorul nostru de diferențiere”, spune Sapra, explicând că seturile de date ale companiei sunt proprietare și multimodale și includ structuri moleculare, măsurători de legare, profiluri de siguranță și rezultate de fabricație. „Am construit un portofoliu intenționat divers, pe mai multe domenii de boală și tipuri de medicamente. Toate aceste date ne împuternicesc să ajustăm modelele AI de frontieră cu seturi de antrenament mai bogate și mai reprezentative.” Ea continuă: „Mai mult, am investit în tehnologii de screening profund pentru a genera seturi de date suplimentare necesare în volum pentru a rafina și valida constant modelele noastre.”
Pentru a reuni toate aceste date într-un singur loc, AstraZeneca construiește ceea ce numește un „laborator al viitorului” în Kendall Square, Cambridge, Massachusetts, unde AI și automatizarea robotică vor putea forma un sistem continuu de descoperire în buclă închisă. „Așa cum o mașină cu autopilot folosește senzori și modele pentru a naviga în mediul său, acest sistem folosește AI pentru a face predicții, sisteme robotice pentru a executa experimente și instrumente pentru a genera date”, explică Sapra. Aceste date alimentează direct modelele, accelerând fiecare ciclu ulterior. „Pe tot parcursul, oamenii de știință vor rămâne centrali în proces, oferind supravegherea, judecata și direcția strategică care asigură că rezultatele sunt explicabile, tolerabile și direcționate către beneficiul potențial al pacientului”, adaugă ea. În cele din urmă, sistemele automatizate de mare capacitate vor putea produce și evalua mii de interacțiuni moleculare săptămânal. „Acest lucru va genera date pregătite pentru AI la o scară pe care fluxurile de lucru tradiționale nu o pot egala”, spune Sapra. „Manipularea robotică a probelor, verificările automate ale calității și conductele integrate de date au, de asemenea, potențialul de a accelera semnificativ termenele de dezvoltare timpurie a medicamentelor.”
Următoarea frontieră: Generarea de medicamente de la zero. În cele din urmă, spune Sapra, viziunea finală pentru AI în descoperirea medicamentelor biologice este ceea ce domeniul numește proiectare „de novo”. Scopul este ca AI să genereze secvențe de proteine complet noi care să se potrivească exact proprietăților dorite ale medicamentului. Aceasta include proiectarea structurii, predicția siguranței, modul în care se va comporta în organism și cum poate fi fabricată. „Domeniul face progrese mari către un biologic complet generat de AI, proiectat de la zero până la un candidat clinic”, spune Sapra. „Pe măsură ce continuăm să valorificăm modelele de frontieră și să le ajustăm cu seturile de date potrivite, ne apropiem de această realitate. Cred că va veni. Este o chestiune de timp.” Cu toate acestea, sunt necesare câteva elemente cheie pentru a ajunge în acest punct. În primul rând, date de antrenament mai bogate și mai standardizate la nivelul industriei. În al doilea rând, repere solide de evaluare pentru candidații generați de AI. Și în al treilea rând, echipe care știu să lucreze la intersecția dintre învățarea automată și biologie.
Dintre toate condițiile prealabile, însă, predicția siguranței poate fi cea mai importantă și poate cea mai puțin discutată, spune Sapra. „Una dintre cele mai dificile probleme în proiectarea de novo este predicția dacă o moleculă generată computațional va fi sigură în corpul uman”, explică Sapra. AstraZeneca abordează această problemă cu ceea ce echivalează cu studii clinice virtuale. Acestea sunt sisteme avansate de celule și modele de organe la scară micro care funcționează ca bănci de testare fizice, asociate cu AI care învață din rezultatele lor. „Aceste sisteme au potențialul de a genera semnale biologice îmbunătățite fără blocajele tradiționale de testare și reprezintă o piesă critică lipsă în închiderea buclei între proiectările generate de AI și candidații gata pentru studii clinice”, adaugă Sapra.
O schimbare în curs de desfășurare este trecerea către sisteme AI agentice care pot genera simultan molecule candidate și pot prezice cât de eficace și sigure sunt susceptibile să fie. Aceste fluxuri de lucru autonome pot conecta perspectivele la nivel de boală direct la proiectarea moleculei, eliminând silozurile de date separate anterior. „Complexitatea biologiei merge mână în mână cu proiectarea moleculei”, rezumă Sapra. Transformarea în curs în domeniul biologicelor nu este doar despre tehnologie. „Cu sisteme mai autonome, supravegherea umană rămâne în centrul acestei abordări – asigurând un AI explicabil și etic în beneficiul pacienților”, spune Sapra. Pentru oamenii de știință, lucrul cu AI este un proces colaborativ. „Oamenii de știință vor lucra mână în mână cu aceste sisteme model”, spune ea. „Va exista o lume în care modelele vor proiecta molecule, apoi oamenii de știință vor lucra cu sistemele pentru a testa acele molecule și a pune toate datele împreună.” Prin acest proces de verificări umane, echilibre și decizii, modelele vor evolua și se vor îmbunătăți constant, cu potențialul final de a beneficia pacienții.
Pentru ingineri, proiectarea și construirea de sisteme eficiente, pregătite pentru colaborarea om-AI, va însemna asigurarea unor niveluri ridicate de transparență și explicabilitate a modelelor. Potrivit Saprei, echipele de inginerie ale AstraZeneca includ oameni de știință în date, specialiști în automatizare și ingineri AI, care dezvoltă sisteme ce acționează ca „parteneri de gândire” mai degrabă decât cutii negre. „Inginerii proiectează sisteme care generează, validează și învață rapid. Iar problemele sunt cu adevărat dificile: fuziunea datelor multimodale, optimizarea în buclă închisă, cuantificarea incertitudinii și interpretabilitatea la punctul de luare a deciziilor clinice”, adaugă ea. Asumându-și astfel de provocări tehnice exigente, inginerii și oamenii de știință au ocazia de a contribui la cercetarea și dezvoltarea de tratamente potențial salvatoare pentru multe boli, spune Sapra. „Medicamentele biologice pe care le putem dezvolta astăzi și cele pe care le vom proiecta mâine depind de combinarea talentului de talie mondială în AI și inginerie cu o expertiză științifică profundă.”
De ce este important:
Această transformare nu este doar o simplă inovație tehnologică – ea redefinește fundamental modul în care descoperim și dezvoltăm medicamente. Prin integrarea inteligenței artificiale în procesele de proiectare a medicamentelor biologice, putem reduce dramatic timpul și costurile de dezvoltare, putem atinge ținte terapeutice considerate anterior imposibile și putem crea terapii personalizate, mai sigure și mai eficiente. Pentru pacienți, aceasta înseamnă acces mai rapid la tratamente inovatoare pentru boli grave, de la cancer la afecțiuni autoimune. Pentru societate, înseamnă un sistem de sănătate mai eficient și mai sustenabil, capabil să răspundă provocărilor medicale ale viitorului. Colaborarea dintre oameni și mașini, cu accent pe transparență și etică, deschide calea către o eră în care descoperirea medicamentelor devine mai predictibilă, mai rapidă și, în cele din urmă, mai umană.
