O potencial de usar a inteligência artificial na descoberta e desenvolvimento de drogas provocou excitação e ceticismo entre cientistas, investidores e o público em geral.
“A inteligência artificial está assumindo o desenvolvimento de medicamentos”, reivindicam algumas empresas e pesquisadores. Nos últimos anos, o interesse em usar a IA para projetar medicamentos e otimizar os ensaios clínicos impulsionou um aumento na pesquisa e no investimento. Plataformas orientadas a IA como a Alphafold, que ganharam o Prêmio Nobel de 2024 por sua capacidade de prever a estrutura das proteínas e projetar novas, mostrar o potencial da IA de acelerar o desenvolvimento de medicamentos.
A IA na descoberta de medicamentos é “absurdo”, alerta alguns veteranos da indústria. Eles pedem que “o potencial da IA de acelerar a descoberta de medicamentos precise de uma verificação da realidade”, pois os medicamentos gerados pela IA ainda não demonstram uma capacidade de abordar a taxa de falha de 90% de novos medicamentos em ensaios clínicos. Ao contrário do sucesso da IA na análise da imagem, seu efeito no desenvolvimento de medicamentos permanece incerto.
Nortonrsx/istock via Getty Images Plus
Temos acompanhado o uso da IA no desenvolvimento de medicamentos em nosso trabalho como cientista farmacêutico na academia e na indústria farmacêutica e como ex -gerente de programa na Agência de Projetos de Pesquisa Avançada de Defesa, ou DARPA. Argumentamos que a IA no desenvolvimento de medicamentos ainda não é um divisor de jogos, nem é um absurdo completo. A IA não é uma caixa preta que pode transformar qualquer idéia em ouro. Em vez disso, vemos isso como uma ferramenta que, quando usada com sabedoria e competência, pode ajudar a lidar com as causas principais da falha do medicamento e simplificar o processo.
A maioria dos trabalhos usando a IA no desenvolvimento de medicamentos pretende reduzir o tempo e o dinheiro necessário para levar um medicamento ao mercado – atualmente de 10 a 15 anos e US $ 1 bilhão a US $ 2 bilhões. Mas a AI pode realmente revolucionar o desenvolvimento de medicamentos e melhorar as taxas de sucesso?
IA no desenvolvimento de medicamentos
Os pesquisadores aplicaram a IA e o aprendizado de máquina em todas as etapas do processo de desenvolvimento de medicamentos. Isso inclui a identificação de metas no corpo, a triagem de possíveis candidatos, o projeto de moléculas de drogas, a previsão de toxicidade e selecionando pacientes que podem responder melhor aos medicamentos em ensaios clínicos, entre outros.
Entre 2010 e 2022, 20 startups focadas na IA descobriram 158 candidatos a medicamentos, dos quais 15 avançaram para ensaios clínicos. Alguns desses candidatos a medicamentos foram capazes de concluir os testes pré -clínicos no laboratório e entrar em ensaios humanos em apenas 30 meses, em comparação com os 3 a 6 anos típicos. Essa conquista demonstra o potencial da IA para acelerar o desenvolvimento de medicamentos.
Por outro lado, enquanto as plataformas de IA podem identificar rapidamente compostos que funcionam em células em uma placa de Petri ou em modelos animais, o sucesso desses candidatos em ensaios clínicos – onde a maioria das falhas de drogas ocorre – permanece altamente incerta.
Ao contrário de outros campos que possuem conjuntos de dados grandes e de alta qualidade disponíveis para treinar modelos de IA, como análise de imagens e processamento de idiomas, a IA no desenvolvimento de medicamentos é limitada por pequenos conjuntos de dados de baixa qualidade. É difícil gerar conjuntos de dados relacionados a medicamentos em células, animais ou seres humanos por milhões a bilhões de compostos. Embora o Alphafold seja um avanço na previsão de estruturas de proteínas, o quão preciso pode ser para o design de medicamentos permanece incerto. Pequenas mudanças na estrutura de um medicamento podem afetar bastante sua atividade no corpo e, portanto, quão eficaz é no tratamento de doenças.
Viés de sobrevivência
Como a IA, inovações anteriores no desenvolvimento de medicamentos, como design de medicamentos auxiliados por computador, o projeto do genoma humano e a triagem de alto rendimento, melhoraram as etapas individuais do processo nos últimos 40 anos, mas as taxas de falha de drogas não melhoraram.
A maioria dos pesquisadores de IA pode resolver tarefas específicas no processo de desenvolvimento de medicamentos quando fornecidos com dados de alta qualidade e perguntas específicas para responder. Mas eles geralmente não estão familiarizados com o escopo completo do desenvolvimento de medicamentos, reduzindo os desafios a problemas de reconhecimento de padrões e o refinamento de etapas individuais do processo. Enquanto isso, muitos cientistas com experiência em desenvolvimento de medicamentos não têm treinamento em IA e aprendizado de máquina. Essas barreiras de comunicação podem impedir os cientistas de irem além da mecânica dos processos de desenvolvimento atuais e identificar as causas radiculares das falhas de medicamentos.
As abordagens atuais para o desenvolvimento de medicamentos, incluindo aquelas que usam a IA, podem ter caído em uma armadilha de viés de sobrevivência, concentrando -se excessivamente em aspectos menos críticos do processo enquanto ignorava os principais problemas que contribuem mais para o fracasso. Isso é análogo a reparar danos às asas de aeronaves que retornam dos campos de batalha na Segunda Guerra Mundial, ao mesmo tempo em que negligenciam as vulnerabilidades fatais em motores ou cockpits dos aviões que nunca voltaram. Os pesquisadores geralmente se concentram excessivamente em como melhorar as propriedades individuais de um medicamento, em vez das causas radiculares de falha.
Martin Grandjean, McGeddon, Força Aérea dos EUA/Wikimedia Commons, CC BY-SA
O atual processo de desenvolvimento de medicamentos opera como uma linha de montagem, contando com uma abordagem de caixa de seleção com testes extensos em cada etapa do processo. Embora a IA possa reduzir o tempo e o custo dos estágios pré-clínicos baseados em laboratório dessa linha de montagem, é improvável que aumente as taxas de sucesso nos estágios clínicos mais caros que envolvem testes nas pessoas. A persistente taxa de falha de 90% dos medicamentos em ensaios clínicos, apesar de 40 anos de melhorias no processo, ressalta essa limitação.
Abordar as causas raiz
As falhas de medicamentos nos ensaios clínicos não se devem apenas à forma como esses estudos são projetados; Selecionar os candidatos a medicamentos errados para testar em ensaios clínicos também é um fator importante. Novas estratégias guiadas pela IA podem ajudar a enfrentar esses dois desafios.
Atualmente, três fatores interdependentes impulsionam a maioria das falhas de medicamentos: dosagem, segurança e eficácia. Algumas drogas falham porque são muito tóxicas ou inseguras. Outros medicamentos falham porque são considerados ineficazes, geralmente porque a dose não pode ser aumentada mais sem causar danos.
Nós e nossos colegas propomos um sistema de aprendizado de máquina para ajudar a selecionar candidatos a medicamentos, prevendo dosagem, segurança e eficácia com base em cinco características previamente negligenciadas dos medicamentos. Especificamente, os pesquisadores podem usar os modelos de IA para determinar com que a droga se liga específica e potentemente a alvos conhecidos e desconhecidos, o nível desses alvos no corpo, como o medicamento concentra -se em tecidos saudáveis e doentes e nas propriedades estruturais da droga.
Essas características dos medicamentos gerados pela IA podem ser testados no que chamamos de ensaios da Fase 0+, usando doses ultra-baixa em pacientes com doença grave e leve. Isso pode ajudar os pesquisadores a identificar medicamentos ideais e reduzir os custos da atual abordagem de “teste e ver” para ensaios clínicos.
Embora a IA sozinha possa não revolucionar o desenvolvimento de medicamentos, ela pode ajudar a abordar as causas da porquê de por que os medicamentos falham e otimizam o longo processo de aprovação.
Aquele Dux, reitor associado de pesquisa, Charles Walgreen Jr. Professor de Farmácia e Ciências Farmacêuticas, Universidade de Michigan e Christian Macedonia, Professor Adjunto de Ciências Farmacêuticas, Universidade de Michigan