Biotechnologie past AI en machine learning toe op de ontwikkeling van medicijnen, waardoor potentieel tientallen nieuwe medicijnen en een markt van $50 miljard worden gecreëerd in het komende decennium.Dit betekent voor patiënten en investeerders:.

Inleiding:

Voor biotechnologiebedrijven is een groot deel van het traditionele proces van het ontdekken van nieuwe medicijnen kostbaar.helpt bedrijven om grote datasets te gebruiken om snel patiëntenresponsmarkers te identificeren en goedkoper en efficiënter levensvatbare geneesmiddeldoelen te ontwikkelen.

De resultaten zouden niet alleen voor medische dienstverleners en patiënten met moeilijk te behandelen ziekten, maar ook voor de biotechnologische sector transformerend kunnen zijn: Morgan Stanley Research believes that modest improvements in early-stage drug development success rates enabled by the use of artificial intelligence and machine learning could lead to an additional 50 novel therapies over a 10-year periodDat zou kunnen betekenen dat er meer dan 50 miljard aan kansen zijn.

“Voorspellende diagnose, versterkt door data, biedt een belangrijke kans op korte termijn voor de levenswetenschappenindustrie,” zegt Tejas Savant,die biochemische hulpmiddelen en diagnostiek behandelt bij Morgan Stanley ResearchHet is ook waarschijnlijk dat het bij de betalers zal resoneren, aangezien deze proeven betere resultaten kunnen opleveren.Zij kunnen ook aanzienlijke kostenbesparingen opleveren door het eerder kunnen identificeren en behandelen van patiënten met een hoger risico.??

Waarom AI gebruiken bij de ontdekking van drugs?

Het belangrijkste doel van het onderzoek naar geneesmiddelenontdekking is het identificeren van geneesmiddelen die gunstig op het lichaam werken, met andere woorden, ze kunnen helpen bij het voorkomen of behandelen van een bepaalde ziekte.

Hoewel er verschillende soorten medicijnen zijn, zijn er veel kleine chemisch gesynthetiseerde moleculen die zich specifiek kunnen binden aan een doelmolecuul - meestal een eiwit - dat betrokken is bij een ziekte.

Om deze moleculen te vinden, voeren onderzoekers traditioneel grote schermen van bibliotheken van moleculen uit om een te identificeren met het potentieel om een medicijn te worden.Ze gaan dan door tal van tests om dit te ontwikkelen tot een veelbelovende verbinding..

Onlangs worden meer rationele op structuur gebaseerde aanpakken voor het ontwerpen van geneesmiddelen steeds vaker gebruikt.Deze vermijden de eerste screeningstadia, maar vereisen nog steeds dat chemici potentiële nieuwe geneesmiddelen creëren door, het synthetiseren en evalueren van talrijke verbindingen.

Omdat het in het algemeen onbekend is welke chemische structuren zowel de gewenste biologische effecten als de eigenschappen hebben die nodig zijn om een effectief medicijn te worden, is het belangrijk dat dehet proces van het verfijnen van een veelbelovende verbinding tot een kandidaat-geneesmiddel kan zowel duur als tijdrovend zijnDe laatste cijfers tonen aan dat de kosten van het op de markt brengen van een nieuw medicijn nu gemiddeld US$ 2,6 miljard bedragen.

Bovendien kan het zelfs als een nieuw geneesmiddel in laboratoriumtests potentieel laat zien, mislukken wanneer het in klinische proeven wordt gebracht.minder dan 10% van de geneesmiddelkandidaten komt na fase I-onderzoeken op de markt.

Gezien dit is het niet verwonderlijk dat deskundigen nu kijken naar het ongeëvenaarde potentieel van AI-systemen voor gegevensverwerking als een manier om de ontdekking van nieuwe geneesmiddelen te versnellen en de kosten ervan te verlagen.Volgens het marktonderzoeksbureau Bekryl, AI heeft het potentieel om tegen 2028 meer dan US $ 70 miljard te besparen voor het geneesmiddelontdekkingsproces.

Hoe kan AI worden toegepast op de ontdekking van drugs?

The sheer size of the libraries used to screen for new drug candidates means it’s now practically impossible for individual researchers to review everything themselves - and that’s where AI and machine learning can help.

Deze geavanceerde technieken stellen onderzoekers in staat verborgen inzichten te verkrijgen uit enorme datasets.

• Het voorspellen van de eigenschappen van een potentiële verbinding,Dit betekent dat alleen verbindingen met de gewenste eigenschappen worden geselecteerd voor synthese, waardoor tijd en geld worden bespaard door te voorkomen dat er wordt gewerkt aan verbindingen die waarschijnlijk niet effectief zijn..
• Het genereren van ideeën voor geheel nieuwe verbindingen,waar wordt voorspeld dat het “uitgevonden” molecuul alle gewenste eigenschappen heeft die nodig zijn voor succes “, wat de ontdekking van effectieve nieuwe geneesmiddelen enorm kan versnellen..
• Verlichting van de noodzaak van herhalende taken, zoals de analyse van duizenden histologische afbeeldingen ­ besparing van honderden personeelsuren in het laboratorium.

Dit zijn slechts enkele van de potentiële voordelen, als we kijken naar het vroege einde van de drug ontdekking pijplijn.

KS-V peptide AI-geassisteerde drug ontdekking:

Het koppelen van peptiden aan het doel en het scoren van de bindende conformaties, het behouden van de resultaten met de beste scores, en doorgaan met het zoeken naar betere sequenties op basis van eerdere resultaten.Herhaling van het proces totdat de score niet aanzienlijk verandertHet combineren van AI-geassisteerde geneesmiddelontdekking met lab-automatisering, high-throughput screening,Het is belangrijk om te beseffen dat de ontwikkeling van nieuwe technologieën in de geneesmiddelensector een belangrijke rol speelt in de ontwikkeling van nieuwe geneesmiddelen..

KS-V Peptide AI-assisted Drug Discovery Case study: