Pierwszy lek opracowany przez algorytmy sztucznej inteligencji będzie w marcu testowany na ludziach. Czy to początek nowej ery w przemyśle farmaceutycznym?
Znalezienie odpowiedniego leku, który pomoże w danym schorzeniu, trwa latami. Przede wszystkim wśród milionów związków chemicznych trzeba znaleźć ten właściwy. Gdy zajmują się tym ludzie, praca trwa latami, czasem nawet dekadę. Stąd pomysł, by do projektowania leku zaprząc sztuczną inteligencję. Wyposażona w odpowiednią wiedzę mogłaby odsiać związki chemiczne, które nie rokują zakładanego działania.
Tak postąpiła brytyjska firma farmaceutyczna Exscientia. Lek nazwany roboczo DSP-1181 został wynaleziony przez algorytm. Firma twierdzi, że skróciło to proces opracowywania specyfiku z kilku lat do roku. W marcu w Japonii rozpoczną się jego testy na pacjentach z zaburzeniami obsesyjno-kompulsywnymi (obsessive-compulsive disorder, OCD). Specyfik ma działać dłużej i silniej niż dostępne na rynku – twierdzi Exscientia.
Cytowany przez BBC News szef start-upu prof. Andrew Hopkins w entuzjastycznym tonie mówi o „kluczowym kamieniu milowym w wynajdowaniu leków”. Portalowi Vox tłumaczy z kolei, że użycie sztucznej inteligencji pozwala na syntezę mniejszej liczby związków do testów laboratoryjnych.
W opracowywaniu leku wykorzystano active learning, rodzaj maszynowego uczenia nadzorowanego, w którym algorytm może sam poprosić naukowca o opisanie potrzebnych danych. Wykorzystuje się tę technikę głównie tam, gdzie danych jest bardzo dużo, a robienie tego ręcznie nie opłacałoby się lub zajmowało zbyt wiele czasu. „Active learning pozwala systemowi nadawać priorytet najbardziej obiecującym związkom i uczyć się szybciej niż ludzie”, mówi prof. Hopkins.
Ale czy to prawdziwy przełom?
Przeciętny czas „z laboratorium na rynek” wynosi dziś 12 lat, a średni koszt wprowadzenia leku do sprzedaży to 2,6 miliarda dolarów. Tymczasem 90 procent leków nie przechodzi fazy badań na ludziach
Wcześniej, bo we wrześniu ubiegłego roku, pisaliśmy o Insilico Medicine, które wykorzystało inną metodę, generative adversarial networks (GAN), generatywnych sieci przeciwstawnych, która polega na stworzeniu dwóch sieci, które rywalizują w uczeniu się na podstawie przykładów.
Zaprojektowanie, wybór odpowiedniego związku, zsyntetyzowanie go i przetestowanie leku onkologicznego zajęło firmie 46 dni i kosztowało około 150 tysięcy dolarów – choć firma przyznaje, że jej lek miał słabsze działanie od opracowanych metodą tradycyjną.
Eksperci studzą zapał
Jak pisze na swoim blogu Derek Lowe, specjalista z dziedziny chemii farmaceutycznej, wykorzystanie uczenia maszynowego skraca czas wybierania odpowiednich związków. Ale badacze z Exscientii szukali takiego, który zadziała na znany już receptor 5-HT1a (o którym wiadomo, że ma związek z zaburzeniami OCD). Ale czy rzeczywiście będzie działał dłużej i silniej, jak twierdzi firma, nie da się stwierdzić w laboratorium ani w komputerze. Wykażą to dopiero badania kliniczne.
Lowe studzi entuzjazm, zauważając, że lek może jednak nie przejść drugiej fazy badań klinicznych, jeśli mimo przewidywań nie zadziała. Może też nie przejść trzeciej fazy badań, jeśli okaże się, że jest toksyczny lub ma zbyt silne skutki niepożądane. Tego wszystkiego sztuczna inteligencja nie jest dziś w stanie przewidzieć, bo nie ma odpowiedniej wiedzy.
Jeśli chodzi o mózg, wiedza o jego funkcjonowaniu jest daleka od kompletnej. Co za tym idzie, większość odkryć leków działających na ośrodkowy układ nerwowy odbywa się metodą prób i błędów, niezależnie od tego, czy odpowiednie związki wyszukują ludzie, czy maszyny. Maszyny ten proces tylko przyspieszają. Ale dla farmaceutycznych koncernów może mieć to olbrzymie znaczenie.
Lek na bolączki branży?
Jak pisał w „Nature” w grudniu ubiegłego roku David H. Freedman, dziennikarz naukowy, firmy farmaceutyczne wydają coraz więcej (niemal 80 miliardów dolarów rocznie). Jeszcze dziesięć lat temu każdy dolar zainwestowany w badania przynosił dziesięć centów zysku, dziś mniej niż dwa. Wynajdywane jest przy tym coraz mniej nowych leków. Częściowo dlatego, że leki na najczęstsze choroby zostały już po prostu odkryte. Pozostaje wyzwanie trudniejsze, czyli poszukiwanie leków na choroby rzadsze, ale to siłą rzeczy oznacza mniej nabywców leków, a więc i mniejsze zyski.
Przeciętny czas „z laboratorium na rynek” wynosi dziś 12 lat, a średni koszt wprowadzenia leku do sprzedaży w ciągu dekady pomiędzy 2003 a 2013 rokiem prawie się podwoił i (według Tufts Centre for Drug Development) wynosi dziś 2,6 miliarda dolarów. Tymczasem 90 procent leków nie przechodzi fazy badań na ludziach.
To dlatego firmy farmaceutyczne tak chętnie sięgają po algorytmy sztucznej inteligencji. Niezależnie od tego, co zdziała zmyślny algorytm, skrócenie czasu badań nad lekiem przekłada się na zwrot kosztów – nawet jeśli o ułamek centa, daje to firmie konkurencyjną przewagę. Nic dziwnego, że firmy farmaceutyczne inwestują w sztuczną inteligencję, albo współpracując ze start-upami z tej dziedziny (jak w przypadku Exscientii), albo zatrudniając specjalistów (GlaxoSmithKline chce zatrudnić ich w tym roku niemal setkę).
Biochemiczna łamigłówka
Jak pisze Freedman, jednym z powodów, dla których obiecujące związki – kandydaci na leki – przepadają w badaniach, jest CYP450 (cytochrom P450). To jeden z najważniejszych enzymów produkowanych przez organizm, który rozkłada rozmaite związki chemiczne. Jeśli zostanie zablokowany, organizm szybko zostanie zatruty przez szkodliwe substancje. Sęk w tym, że znakomita większość związków, które mogłyby być lekami, ten enzym blokuje.
Gdy więc powstaje „pomysł na lek”, czyli jakiś nowy związek, trzeba najpierw sprawdzić, czy nie zablokuje tego kluczowego dla organizmu enzymu. Badacze zwykle robią to, analizując podobieństwa do znanych już związków, przeprowadzając analizy chemiczne oraz badania na myszach. Ale w co trzecim przypadku ich testy wypadają pomyślnie, zaś późniejsze badania na ludziach – nie.
W tym przypadku sztuczna inteligencja może znacząco pomóc. Algorytm opracowany przez badaczy z firmy Bristol-Myers Squibb nauczył się rozpoznawać, jakie cechy związków chemicznych są skorelowane z blokowaniem tego ważnego enzymu, i trafia w 95 proc. przypadków. Zamiast odrzucać jedną trzecią związków w żmudnych badaniach (i w co trzecim przypadku ryzykować porażkę), firma może badać już tylko te obiecujące. To oczywista oszczędność czasu i nakładów.
Badania kliniczne na ludziach długo jeszcze będą kluczowym sposobem testowania nowych leków
Tyle że (choć niezwykle ważny) CYP450 to nie wszystko. Nawet jeśli zaprojektowana przez sztuczną inteligencję cząsteczka okaże się odpowiednim kluczem do danego zamka i przy okazji nie będzie blokować tego właśnie kluczowego enzymu, to na przeszkodzie stoi złożoność procesów biochemicznych w ogóle.
Chcielibyśmy przecież, żeby lek się dobrze wchłaniał z przewodu pokarmowego, ale nie był od razu rozkładany przez enzymy trawienne. Po przeniknięciu do krwi powinien utrzymywać się odpowiednio długo (ale nie za długo) i nie wchodzić w reakcje z innymi związkami chemicznymi w komórce – a przecież całe komórki to jedna wielka fabryka związków chemicznych. Czasami chcielibyśmy po prostu rzeczy sprzecznych – na przykład, żeby lek działał na pewien receptor, ale tylko w jednym miejscu, choć znajduje się on w wielu miejscach ciała. Ot, chcielibyśmy, żeby aspiryna działała przeciwbólowo i przeciwgorączkowo, ale nie podrażniała błony śluzowej żołądka – co jest niestety niemożliwe. Organizmy są tak złożone, że często możemy mieć tylko coś za coś.
W praktyce oznacza to, że badania kliniczne na ludziach długo jeszcze będą kluczowym sposobem testowania nowych leków. Chyba że sztuczna inteligencja zdobędzie wiedzę o całości biochemii ludzkiego organizmu. Biorąc pod uwagę jej złożoność, może to trwać dekady.
W poszukiwaniu nowych zamków
Próby takie jak Exscientii, poszukiwania nowych leków działających na znane receptory, są setki. To łatwiejsza droga, bo gdy znany jest kształt zamka, trzeba wśród milionów różnych kluczy znaleźć ten jeden, pasujący. Bardziej ambitna droga tworzenia nowych leków polega na poszukiwaniu nowych zamków, czyli nowych celów działania leków (które zwykle znów – trzeba wynaleźć).
Taką drogę wybrała biochemiczna firma Berg, która za pomocą algorytmów sztucznej inteligencji przesiewa dane biochemiczne z ludzkich tkanek. Jak opowiada „Nature” szef firmy Niven R. Narain, taka droga eliminuje intuicję badaczy. Firma zbiera wszelkie możliwe dane genetyczne, dotyczące białek czy metabolizmu od osób zdrowych i w różnych stadiach chorób. Potem te dane porównuje za pomocą głębokiego uczenia maszynowego.
Ma to na celu znalezienie takich białek, które obecne są w chorobie, a nieobecne u osób zdrowych. Takie białka mogą być celem nowych leków – są nowymi zamkami. Trzeba oczywiście poszukać do nich nowych kluczy. Ale z tym sztuczna inteligencja już sobie radzi.
Przy okazji jest to sposób na znalezienie takich białek, które występują tylko u pewnej wąskiej grupy osób, czyli sposób na bardziej spersonalizowaną medycynę. Firma chwali się, że opracowała takie rozwiązanie w przypadku raka trzustki (lek jest w drugiej fazie badań klinicznych).
Ale i jej szef miarkuje entuzjazm. „Sztuczna inteligencja nie jest magiczną różdżką, która usuwa wszystkie naukowe procedury niezbędne, by otrzymać odpowiedź, którą da się zweryfikować. Ostatecznie mamy do czynienia z pacjentami”, mówił „Financial Timesowi”. „To nie jest tak, że można wykorzystać publicznie dostępne dane i stworzyć lek na raka w trzy miesiące” – tłumaczy.
Przynajmniej jeszcze nie teraz.