Canbi  Pharma  Tech  Cyfyngedig

Fferylliaeth AI: mewnwelediadau newydd yn y ffyniant

Jan 07, 2025

Un fantais fawr o gymhwyso AI yng nghamau cynnar darganfod cyffuriau yw y gall AI berfformio sgrinio rhithwir ar raddfa fawr, neu gynnal arbrofion lluosog ar yr un pryd, a thrwy hynny gynyddu graddfa cyfansoddion sgrinio a symud cyfansoddion posibl yn gyfansoddion plwm, yn ogystal â'r cyflymder therapïau ymgeiswyr. Dywedodd Dr Jim Collins, athro yn MIT, mewn cyfweliad â thîm cynnwys WuXi AppTec y gall ymchwilwyr hyfforddi modelau AI gyda llyfrgelloedd cyfansawdd ar raddfa fach ac yna defnyddio'r modelau hyn i archwilio gofodau cemegol enfawr. Mae hyn yn caniatáu i'w dîm gwblhau'r sgrinio o lyfrgell gyfansawdd rhithwir sy'n cynnwys biliynau o gyfansoddion o fewn ychydig ddyddiau. Ni ellir cyflawni hyn trwy arbrofion confensiynol.

 

Dywedodd Mr. Panna Sharma, Prif Swyddog Gweithredol Lantern Pharma, mewn cyfweliad â Nature Cancer bod prosiect ymchwil a datblygu gwrth-ganser y cwmni, o'r twll cychwynnol a gynhyrchir gan AI i fynd i mewn i'r treial clinigol dynol cyntaf, yn cymryd tua hanner amser strategaethau traddodiadol a gall leihau costau hyd at 80%. Mae gan gwmnïau eraill sy'n defnyddio AI ar gyfer datblygu cyffuriau, fel Recursion ac Insilico Medicine, brofiadau tebyg. Er na all deallusrwydd artiffisial ddisodli arbrofion ar hyn o bryd, gall alluogi ymchwilwyr i gwblhau arbrofion cywir yn gyflymach, a thrwy hynny wella cyfraddau llwyddiant.

 

Gall un o effeithiau cynnar deallusrwydd artiffisial ar driniaeth canser gael ei adlewyrchu yn ailddefnyddio cyffuriau a fethwyd neu sydd wedi darfod. Gan gymryd Lantern fel enghraifft, mae ei lwyfan deallusrwydd artiffisial yn casglu biliynau o bwyntiau data sy'n ymwneud ag oncoleg. Daw'r data hyn o ymchwil wyddonol, treialon clinigol, a chronfeydd data. Trwy ddefnyddio dysgu peirianyddol i ragfynegi ymatebion cleifion i gyffuriau ymgeisiol, gall deallusrwydd artiffisial ddarganfod yn gyflym arwyddion newydd sydd heb eu darganfod o'r blaen neu nodi isdeipiau canser newydd a'u biomarcwyr nad ydynt eto wedi'u nodweddu'n llawn.

 

Mae nodi cyfuniadau effeithiol o gyffuriau yn gyfeiriad cymhwyso deallusrwydd artiffisial arall. Ar hyn o bryd, mae profi cyfuniadau cyffuriau yn anodd ac yn cymryd llawer o amser, tra gall deallusrwydd artiffisial ragweld yn gyflymach pa gyfuniadau cyffuriau sy'n fwyaf effeithiol trwy ddadansoddi data o bob treial clinigol.

 

Mae gallu AI cynhyrchiol i addasu strwythurau moleciwlaidd newydd yn seiliedig ar nodweddion targed penodol i gyflawni effeithiau therapiwtig penodol yn arbennig o gyffrous i'w gefnogwyr. Ar hyn o bryd, mae AI cynhyrchiol wedi dangos y gallu i ddylunio proteinau newydd neu gyfansoddion moleciwl bach o'r dechrau yn seiliedig ar nodweddion targed mewn ymchwil preclinical. Er enghraifft, cyhoeddodd tîm yr Athro David Baker, enillydd gwobr Nobel, bapur yn y cyfnodolyn Science yn cyflwyno'r offeryn efelychu protein gwell RoseTTAFold All Atom ac offeryn dylunio protein RFdiffuion All Atom. Mae RoseTTAFold All Atom yn caniatáu i wyddonwyr efelychu'r rhyngweithiadau rhwng proteinau a biomoleciwlau eraill. Mae RFdiffuion All Atom yn galluogi gwyddonwyr i ddylunio proteinau cwbl newydd o'r dechrau yn seiliedig ar y pocedi sy'n rhwymo i gyfansoddion penodol, gan baratoi'r ffordd o bosibl ar gyfer dylunio therapïau manwl gywir.

 

Ar y llaw arall, mae'r rhan fwyaf o'r biomoleciwlau a gynhyrchir gan AI yn yr ymchwil a datblygu clinigol cyfredol yn dal i fod yn debyg i'r moleciwlau presennol, sydd wedi'u haddasu i wella eu detholusrwydd neu leihau gwenwyndra nad yw'n darged.

 

Mae angen i gyffuriau ymgeiswyr ddangos eu heffeithiolrwydd mewn bodau dynol o hyd, na ellir ei gyflawni heb dreialon clinigol. Yn y broses o ddatblygu cyffuriau, mae treialon clinigol yn meddiannu'r rhan fwyaf o gost ac amser ymchwil a datblygu, felly gall hyd yn oed gwelliant effeithlonrwydd bach gael effaith enfawr.


Mae Recursion yn defnyddio data clinigol ac amlomeg o sefydliadau casglu data proffesiynol fel Tempus, yn seiliedig ar fodelau deallusrwydd artiffisial i nodi cleifion a allai gynhyrchu'r ymateb gorau. Mae gwella sgrinio cleifion nid yn unig yn golygu treialon ar raddfa lai, ond hefyd yn cynyddu cyfraddau llwyddiant yn ddamcaniaethol.

 

Gellir defnyddio deallusrwydd artiffisial hefyd i ddarganfod cleifion addas a phennu'r lleoliad prawf gorau posibl, a thrwy hynny gyflymu recriwtio cleifion i'r eithaf.

 

 

 

goTop