Von der Schildkröte zum Hasen: Wie KI die Arzneimittelentwicklung beschleunigen will

Alexander Flemmings zufällige Entdeckung von Penicillin steht in krassem Gegensatz zu den typischen Prozessen und Zeitplänen, die mit der Entdeckung von Arzneimitteln verbunden sind. Im Gegenteil, die meisten Medikamente werden nicht versehentlich entdeckt, sondern über lange Zeiträume von 5 bis 15 Jahren entwickelt, was viele Millionen Dollar kostet. Grundsätzlich kann der Entwicklungsprozess in zwei Phasen unterteilt werden: die präklinische und die klinische Phase. Während die meisten Menschen mit den Prozessen der klinischen Phase der Arzneimittelentwicklung (klinische Studien) einigermaßen vertraut sind, kennen sie die Arbeit zur Vorbereitung dieser Studien häufig weniger gut. In der frühesten Phase der Arzneimittelentwicklung kann es erforderlich sein, zwischen 200.000 und 1 Million verschiedene Moleküle zu untersuchen, um zwei oder drei zu identifizieren, die für jemanden mit einer bestimmten Krankheit eine therapeutische Wirkung haben könnten. Dieser Prozess hat eine erschreckend niedrige Erfolgsquote und erfordert den Einsatz erheblicher Ressourcen und viel Zeit. Bei Anwendung auf den präklinischen Arzneimittelentwicklungsprozess können verbesserte Fähigkeiten in der Datenverarbeitung und Fortschritte in der künstlichen Intelligenz (KI) und im maschinellen Lernen (ML) die Ineffizienz beim Testen von Molekülen in der anfänglichen Forschungs- und Entwicklungsphase drastisch verbessern.

KI ist keine Roboter-Steuerung

Der Ausdruck “KI” könnte an eine dystopische Zukunft erinnern, die von Robotern betrieben wird, aber obwohl wir noch nicht ganz an diesem Punkt sind (so hoffen wir), können wir uns bei exponentiellen Erhöhungen der Rechenleistung für die Revolutionierung der KI und ihrer Anwendungen bedanken. KI bezieht sich auf die Fähigkeit von Computern oder Maschinen, Prozesse auszuführen, die normalerweise dem menschlichen Verstand zugeschrieben werden und ist eine Anwendung, die unter anderem auf Techniken des maschinellen Lernens (ML) und des tiefen Lernens (DL nach dem englischen deep learning) beruht. Obwohl die Ausdrücke AI, ML und DL manchmal synonym verwendet werden, bilden diese Konzepte Teilmengen voneinander. ML ist eine Teilmenge der KI, die Algorithmen und Software enthält, die vom Menschen trainiert werden und sich im Laufe der Zeit verbessern. Es kann weiter in beaufsichtigte und unbeaufsichtigte Methoden unterteilt werden. Beaufsichtigte Methoden sind Algorithmen, die aus Daten lernen, die bereits in Kategorien unterteilt wurden und die verwendet werden können, um neue Elemente vorherzusagen, die möglicherweise in eine Kategorie passen. Unbeaufsichtigte Methoden sind dagegen Algorithmen, die auf nicht kategorisierten Daten trainiert sind und können verwendet werden, um Muster innerhalb eines Datensatzes zu identifizieren. Netflix und von daher alle anderen beaufsichtigten ML haben in letzter Zeit einen größeren Teil des Lebens der meisten Menschen erobert. Inhalte auf Netflix können durch verschiedene Parameter definiert werden, darunter Genre, Schauspieler und Länge der Episode oder des Films. Maschinelles Lernen kann genutzt werden, um die Anzeigeeinstellungen eines Benutzers zu definieren (Comedy, Adam Sandler, 2 Stunden lang) und dann neue Inhalte zu empfehlen, die zu den zuvor festgelegten Parametern passen. DL bringt das ML-Lernen einen Schritt weiter, indem mehrere Algorithmen zusammenarbeiten, um große Datenmengen zu verarbeiten, bestimmte Merkmale zu identifizieren und dann zu organisieren und festzustellen, welche Datenpunkte zur gleichen Kategorie gehören, alles ohne menschliche Eingabe. Während Netflix maschinelles Lernen nutzt, um neue Originalinhalte vorzuschlagen, die Ihnen gefallen könnten, haben KI und seine Bestandteile das Potenzial, die Geschäftsführung der Pharmaindustrie drastisch zu beeinflussen.

Klicken Sie hier, um eine Investorenpräsentation und Unternehmensaktualisierungen zu erhalten

Traditionelle präklinische Tests sind veraltet

Präklinische Tests werden verwendet, um abzuschätzen, wie Menschen auf ein potenzielles Medikament reagieren und umfassen üblicherweise In-vitro– und In-vivo-Tests (lateinisch für „im Glas“ (Reagenzgläser und Petrischalen) und „im Leben“). Gleichzeitig ist in silico (“in Silizium” (in Computerchips enthalten) Testen ebenfalls ein zunehmend wichtiger Teil des Prozesses geworden. In-vitro-Experimente können an kontrollierten Zellkulturen durchgeführt werden, die den Zustand erkrankter Zellen innerhalb einer Person nachahmen sollen und können beispielsweise einen ersten Einblick in die potenzielle Toxizität der untersuchten Verbindung geben. Diese Experimente ermöglichen eine strenge Kontrolle der Testumgebung, aber die durch die Verbindung hervorgerufenen Reaktionen sind häufig nicht in der Praxis anwendbar, da isolierte Zellen anders reagieren als diejenigen, die als Teil eines vollständigen Organismus fungieren. Die nächste Stufe der Experimente wird als In-vivo-Experimente bezeichnet und sind Tests, die häufig an einer Kombination von Tieren durchgeführt werden, zu denen unter anderen Ratten, Mäuse, Schweine und nicht menschliche Primaten (z. B. Schimpansen) gehören. Historisch gesehen wurden die negativen und positiven Ergebnisse von Arzneimitteltests bei Tieren als Rechtfertigung dafür verwendet, zusätzliche Experimente abzubrechen oder fortzusetzen. Die Reaktionen bei Tieren lassen sich aber aufgrund genetischer Unterschiede zwischen den Arten meist nicht auf den Menschen übertragen. Trotz der besten Bemühungen von Wissenschaftlern, ein Molekül zu identifizieren und zu testen, besteht eine hohe Wahrscheinlichkeit, dass es unwirksam oder schädlich ist und als potenzielles neues Medikament aufgegeben wird. Die mangelnde Generalisierbarkeit von Tiermodellen für den Menschen und Fortschritte in der Computertechnologie und Datenerfassung haben in Kombination zu einem erhöhten Interesse an der Möglichkeit, Experimente in einer virtuellen Umgebung durchzuführen beigetragen – in silico.

Verwendung von KI / ML zur Verbesserung traditioneller Prozesse

In-silico-Tests nutzen die Fähigkeiten der Computerverarbeitung und sind eine neue Methode, die sowohl In-vitro– als auch In-vivo-Experimente in der präklinischen Entwicklung ausschließt. Vor präklinischen Tests müssen Gruppen von Wissenschaftlern zusammenarbeiten, um einen Faktoren zu identifizieren, der eine Krankheit auslöst, seine chemischen Eigenschaften und Wechselwirkungen mit einem Medikament verstehen und eine Bibliothek von Verbindungen erstellen, die das Potenzial haben, mit diesem Faktoren zu interagieren. Sie wählen dann die Verbindungen aus, die die größte Wahrscheinlichkeit haben, den Faktoren positiv zu beeinflussen. MagicMed hat das Glück, dass Forschungen in den Bereichen psychische Gesundheit und Psychedelika bereits die potenziellen Faktoren identifiziert haben, mit denen Psilocybin und andere Psychedelika interagieren. Die Identifizierung dieser Faktoren ist äußerst vorteilhaft, da sie dazu beiträgt, die Zeitspanne für die Arzneimittelentwicklung erheblich zu verkürzen. Während Forschung und Experimente als Hauptquelle für die Identifizierung des Verursachers (des Faktoren) dienen, die der Entwicklung bestimmter Krankheiten zugrunde liegen, hat ML bedeutende Anwendungen, die bei den letzteren Schritten helfen, die zur Identifizierung eines starken Medikamentenkandidaten erforderlich sind.

Klicken Sie hier, um eine Investorenpräsentation und Unternehmensaktualisierungen zu erhalten

Das heißt nicht, dass die bisherigen In-vitro-Experimente heute keine Anwendung finden. In-vitro-Experimente haben große Datenmengen hervorgebracht, mit denen die Wechselwirkungen zwischen Millionen von Verbindungen aus verschiedenen Bibliotheken gegen verschiedene krankheitsverursachende Ziele untersucht werden sollen. Alle Verbindungen, die mit dem Faktoren interagierten, dienen als Ausgangspunkt für das Training von ML-Algorithmen, um bestimmte chemische Strukturen (Parameter) zu erkennen, die Interaktionen mit dem Ziel begünstigen und etwas ähnliche, aber neue Moleküle entwickeln. Dieser Prozess ist iterativ und neu entwickelte Moleküle können in die ML-Algorithmen zurückgeführt werden, um zusätzliches Lernen und eine bessere Fähigkeit zur Entwicklung neuer Moleküle zu unterstützen. ML kann dazu beitragen, die Anzahl der zu berücksichtigenden Moleküle von zig Millionen auf Tausende zu reduzieren. Obwohl der Prozess immer noch auf den Ergebnissen von In-vitro-Experimenten beruht und Zehntausende von Molekülen noch viel zu testen sind, nutzt ML das Wissen über zuvor erfolgreiche Verbindungen, um neue Moleküle zu entwickeln, die möglicherweise die pharmazeutischen Wirkungen verstärken. Eine signifikante Reduzierung der Anzahl der zu testenden Moleküle spart Zeit, Geld und Ressourcen bei der Untersuchung und Verschwendung von Molekülen, deren Erfolg unwahrscheinlich ist. MagicMed ist optimistisch, dass die Nutzung der KI jetzt und im weiteren Verlauf der Entwicklung entscheidend sein wird, um sowohl die Zeiten für die Arzneimittelentwicklung zu verkürzen als auch neue, lebensrettende Arzneimittel früher an die Menschen zu bringen.

Disclaimer

The above article is sponsored content. CannabisFN.com and CFN Media, have been hired to create awareness. Please follow the link below to view our full disclosure outlining our compensation: http://www.cannabisfn.com/legal-disclaimer/

This article was published by CFN Enterprises Inc. (OTCQB: CNFN), owner and operator of CFN Media, the industry’s leading agency and digital financial media network dedicated to the burgeoning CBD and legal cannabis industries. Call +1 (833) 420-CNFN for more information.

About Ryan Allway

Mr. Allway has over a decade of experience in the financial markets as both a private investor and financial journalist. He has been actively involved in the cannabis industry since its inception, covering public and private companies.