Dr. Andreas Bender, a STAR-BBTE Intézet szenior kutatója, a Khalifa Egyetem Orvostudományi Tanszékének professzora vezette azt a kutatást, amely azt vizsgálta, hogy a jobb klinikai eredmények érdekében a gyógyszerfejlesztés mely szakaszaiban kellene újragondolni a mesterséges intelligencia (MI) szerepét. Noha olyan területeken, mint a kép- vagy a beszédfelismerés az MI alkalmazása már jelentős eredményeket hozott, a gyógyszerkutatásban és -fejlesztésben még várat magára a valódi áttörés. A probléma abban keresendő, állítják a tanulmány szerzői, hogy a gyógyszeriparban az MI használata nincs megfelelően összehangolva a gyógyszerfejlesztés általános céljaival: egyre hatékonyabb gyógyszereket minél gyorsabban a betegek rendelkezésére bocsátani. Elérkezett a pillanat, hogy átgondoljuk: nem tévesztettük-e szem elől a célt, és ott alkalmazzuk-e az MI-t, ahol valóban a legnagyobb szükség lenne rá? A tanulmány a gyógyszerkutatás terén élvonalba tartozó Nature Reviews Drug Discovery folyóiratban jelent meg.
A tanulmány első szerzője: dr. Andreas Bender
A gyógyszerjelöltek tesztelése általában egymástól jól elkülönülő szakaszokban történik. A preklinikai szakaszban laboratóriumi körülmények között vizsgálják a fejlesztés alatt álló gyógyszer hatásosságát, toxicitását és biztonságosságát. Ezt követi az első klinikai fázis, ahol rendszerint egészséges önkénteseken a biztonságosságot, tolerálhatóságot és a megfelelő dózist tesztelik. A második klinikai fázisban már a betegek szűk körén mérik a hatásosságot és az optimális adagolást, míg a harmadik klinikai fázisban nagyobb betegcsoporton vizsgálják ugyanezt. A folyamat a hatósági engedélyezéssel zárul, amelyet esetenként a forgalomba hozatal utáni megfigyelés követ a gyógyszer hosszú távú hatásainak és ritka mellékhatásainak nyomon követése céljából.
A szerzők két olyan területet emelnek ki, ahol jelentős előrelépések történtek az MI alkalmazása révén. Az AlphaFold egy mesterséges intelligencián alapuló rendszer, amelynek célja, hogy egy fehérje aminosavsorrendje alapján megjósolja a fehérje háromdimenziós szerkezetét. Ez azért fontos a gyógyszerkutatásban, mert a fehérjék térbeli szerkezetének ismerete segíthet annak megértésében, hogy milyen helyeken és hogyan tudnak hozzájuk kötődni a gyógyszermolekulák. A másik ígéretes terület a kis molekulák, vagyis lehetséges gyógyszerhatóanyagok tervezése generatív MI segítségével. Ez a módszer segít gyorsabban megtalálni a megfelelő vegyületeket, segítségével a kísérletek során több esetben is sikerült új, ígéretes hatóanyagjelölteket azonosítani. Mind az AlphaFold, mind a kis molekulák MI-vel történő tervezése ígéretes eredményekkel kecsegtet a preklinikai szakaszban, azonban kevés bizonyíték van arra, hogy a gyógyszertervezés teljes folyamatát hatékonyabbá tennék. Továbbá az sem véletlen, hogy az MI épp a preklinikai szakaszban teljesít jól, hiszen ebben a fázisban még jóval több biztonságosan használható adat áll rendelkezésre a modellezés számára. A nehézségek akkor kezdődnek, amikor már a jóval esetlegesebb, széttartóbb biológiai vagy in vivo adatokat is figyelembe kellene venni a modellezés során.
A teljes folyamat hatékonyságát illetően a második klinikai fázis sikeressége jóval nagyobb jelentőséggel bír. Ebben a szakaszban már a betegek szűk körén tesztelik a gyógyszerjelöltek hatásfokát és optimális adagolását, így ez a fázis hosszabb, költségesebb és bizonytalanabb kimenetelű, mint az előzőek. Sikere jelentősen befolyásolja egy gyógyszer piacra juttatásának teljes költségét. Noha néhány MI által tervezett gyógyszer már a második fázisú klinikai vizsgálatokig is eljutott, nehéz megállapítani, hogy ezekben a sikerekben pontosan mekkora volt az MI szerepe, és mekkora az utána következő hagyományos gyógyszerfejlesztési munkáé, hiszen ennek részleteit a kutatások általában nem ismertetik. Összességében tehát azt látjuk, hogy az MI-vezérelt gyógyszerkutatásban inkább a technológiai kínálat (technology push) dominál a tudományos/gyakorlati igény által vezérelt fejlesztéssel (science pull) szemben.
Mi lenne a teendő? – vetik fel a kérdést a tanulmány szerzői. Meg kellene határozni, hogy a jelenleg rendelkezésre álló adatokból melyek azok, amelyek valóban segítenek előre jelezni, hogy egy gyógyszer sikeres lesz-e a klinikai vizsgálatok során, illetve el kellene dönteni, milyen további adatokat érdemes gyűjteni. Emellett olyan MI-modelleket kellene fejleszteni és validálni, amelyek a gyógyszerkutatás konkrét, gyakorlati problémáiban is megbízhatóan használhatók, összhangban állnak a gyógyszerfejlesztés általánosabb célkitűzéseivel, és folyamatszerűségében fogják át azt. Mindez nem bízható egyetlen iparágra, állítják a szakemberek, olyan iparágakon átívelő, államilag is támogatott konzorciumokra lenne szükség, amelyekben a gyógyszeripar mellett részt vesz például az agrokémia vagy a fogyasztási cikkek ipara is.
[ ] Andreas Bender et al.: Artificial intelligence in drug discovery — what it is, where we stand and the path forward. Nature Reviews Drug Discovery 07. 08. 2026, DOI: https://doi.org/
A jobb szolgáltatás nyújtásának érdekében sütiket használunk. Az oldal jobb
felhasználása érdekében kérjük, fogadja el a sütiket. További információ itt:
Adatvédelmi
tájékoztató
