På nuværende tidspunkt er brugen af kunstig intelligens til at deltage i opdagelsen og design af nye lægemidler blevet et varmt spor for forskning og udvikling af nye lægemidler. Engang brugte Massachusetts Institute of Technology kunstig intelligens-teknologi til med succes at opdage et nyt antibiotikum - Halicin (Halicin). Antibiotikummet udviste den stærkeste antimikrobielle effekt i historien, og gennem den autonome læring og analyse af den kunstige intelligens-model screenede det med succes for molekyler med fremragende hæmning af bakterievækst. Gennem dyb læring af 2,000 kendte spiritusmolekyler, opdagede AI-modellen ikke kun nye antibiotikaegenskaber, men udsøgte også nøjagtigt et yderst effektivt antibiotikum i et ultra-stort produktbibliotek.
▲Sammenlignet med andre antimikrobielle lægemidler, hvad er egenskaberne ved de nye lægemidler, der er opdaget af AI?
Antibiotikummet halisin har en kraftig bakteriedræbende effekt på bakterier, der har udviklet resistens på markedet og fremkalder ikke ny resistens. Sammenlignet med traditionelle verifikationsmetoder er screeningshastigheden ved hjælp af AI-modeller ekstremt hurtig, hvilket i høj grad reducerer omkostningerne. Interessant nok udstillede Halisin træk, som tidligere ikke blev forstået af menneskelige videnskabsmænd, en opdagelse, der kaster nyt lys over området for antibiotikaforskning. Men karakteren af denne funktion er stadig ukendt, og der kan ikke findes noget klart svar, selv i træningen af AI-modeller. Disse forskningsresultater viser, at anvendelsen af kunstig intelligens inden for lægemiddelopdagelse er gået ud over begrænsningerne for traditionelle menneskelige metoder.
Kunstig intelligens har ført til en mere effektiv, omkostningseffektiv og innovativ lægemiddelopdagelsesproces inden for lægemiddelopdagelse. Denne transcendens afspejles primært i udviklingshastigheden, omkostningseffektivitet og en ny forståelse af lægemiddelegenskaber. For eksempel kan AI-modeller screene potentielle lægemiddelkandidater hurtigere og mere effektivt, hvilket væsentligt forkorter tidsrammen for lægemiddelopdagelse sammenlignet med traditionelle eksperimentelle valideringsmetoder. Udnyttelse af AI-modeller til lægemiddelscreening reducerer omkostningerne ved F&U betydeligt og er mere omkostningseffektive end traditionelle metoder. AI-modeller har demonstreret evnen til at afsløre tidligere uforståede lægemiddelegenskaber, som kan være svære at opdage i traditionelle forskningsmetoder, og dermed give mere innovative retninger for udvikling af nye lægemidler.
▲Hvorfor hedder det Halicin, et mærkeligt navn?
Halicins oprindelige navn har faktisk kun én kode, kaldet SU-3327, som faktisk kun er et eksperimentelt lægemiddel eller en prototype af stoffet. Det blev oprindeligt undersøgt til behandling af diabetes, men på grund af dårlige testresultater er anvendelsesudviklingen af stoffet længe blevet afbrudt og bruges kun som et eksperimentelt lægemiddel. Senere fandt kunstig intelligens (AI) modeller, at halisin har antibiotiske egenskaber mod en række bakterier. Og fra dette blev det officielt navngivet. Dens navn, "Halicin", er en reference til Hal, et fiktivt kunstig intelligenssystem i 2001: A Space Odyssey.
"2001: A Space Odyssey" er en klassisk science fiction-film, og den spiller en central rolle i science fiction-filmens historie og betragtes som en af milepælene i science fiction-film. Filmen er kendt for sine innovative visuals, musik og historiefortælling, og sætter barren højt for fremtidige sci-fi-film. Den præsenterer et univers fuld af mystik og undren, der giver publikum mulighed for at tænke dybt over menneskehedens fremtid og udviklingen af videnskab og teknologi. Det er blevet en del af den globale sci-fi-kultur og har haft en dyb indvirkning på fremtidige sci-fi-film og tv-shows.
▲Hvad er dens specifikke effekt og udsigter?
Da halisin først blev opdaget, brugte forskere computer-deep learning-metoder til at bestemme, at halisin kan være et bredspektret antibiotikum. Denne mulighed blev bekræftet af in vitro cellekulturtest og in vivo eksperimenter i mus, der viste aktivitet mod en række lægemiddelresistente stammer, herunder Clostridium difficile, Acinetobacter baumannii og Mycobacterium tuberculosis. Dens virkningsmekanisme involverer sekvestrering af jern i bakterieceller og forstyrrer derved dens evne til at regulere pH-balancen på cellemembraner. Foreløbig forskning tyder på, at halisin kan dræbe bakterier ved at forstyrre deres evne til at opretholde en elektrokemisk gradient på cellemembraner. Denne virkningsmekanisme er forskellig fra den for de fleste antibiotika og kan gøre det vanskeligt for bakterier at udvikle resistens. Samlet set har halisin vist potentiale som et antibiotikum, især for nogle bakterier, der har udviklet resistens over for konventionelle lægemidler.
Dette nye lægemiddel blev dog først rapporteret i 2019, men der er stadig ingen nyheder om et nyt lægemiddel eller nogen opdateringer, som kan have stødt på vanskeligheder i den efterfølgende forskning og udvikling af nye lægemidler. Der er to grunde til den oprindelige mistanke: For det første kan de utilfredsstillende kliniske forsøgsresultater i udviklingen af nye lægemidler skyldes, at de indledende forsøg ikke fuldt ud viser lægemidlets effektivitet eller sikkerhed. I dette tilfælde skal R&D-teamet muligvis revurdere lægemidlets egnethed og træffe foranstaltninger til at modificere eller optimere det. På den anden side er sikkerheds- og toksicitetsspørgsmål også en vigtig overvejelse, og nye lægemidler skal bestå strenge toksicitets- og sikkerhedsevalueringer, før de lanceres. Hvis der identificeres uønskede sikkerhedsproblemer eller toksiciteter under udviklingsprocessen, kan det være nødvendigt med yderligere undersøgelser og modifikationer for at sikre lægemidlets sikkerhed for patienterne.
▲ Resumé
Sammenfattende har maskiner et stort potentiale inden for opdagelse af lægemidler, især når de beskæftiger sig med kompleks information. Gennem dyb læring kan maskiner hurtigt finde mønstre og fremskynde opdagelsen af nye lægemidler. For det andet er samarbejde nøglen. Et super-team af computer-, biologiske og farmaceutiske eksperter er nøglen til succesfuldt at bruge AI til at udvikle nye lægemidler. Dette samarbejde overvinder traditionelle F&U-udfordringer og forbedrer effektiviteten. Maskinens succes fortæller os også, at data er afgørende. Big data og deep learning giver os mulighed for at få en mere præcis forståelse af lægemiddeleffekter og designe lægemidler på en mere målrettet måde. Alt i alt gør AI udviklingen af nye lægemidler mere effektiv og bringer nye muligheder til det medicinske område. Med tilføjelsen af mere kraftfuld kunstig intelligens er fremtiden for opdagelse af robotter ved at blive en realitet.