10 min lesing

✅ AI in medicijnontdekking | Revolutie in de geneeskunde

AI & ML

Helse

Summarize article with AI

Artificial intelligence (AI) isn’t just helping us find new drugs; it’s changing how we think about innovation. Smarter drugs, tailored to your DNA, with fewer side effects, isn’t science fiction — it’s what AI is doing now. Take a look at how AI is changing the way we think about drugs, one algorithm at a time.

Hvordan kunstig intelligens endrer tilnærmingen til legemiddelforskning

AI er i ferd med å forandreden farmasøytiske industrienog et av de mest betydningsfulle områdene er i prosessen med å finne nye legemidler. Ved hjelp av avanserte maskinlæringsalgoritmer, som transformatormodeller og grafnevrale nettverk, og enorme datamengder, fremskynder kunstig intelligens oppdagelsen av nye behandlinger og forbedrer effektiviteten i hele utviklingsprosessen.

Datadrevet identifisering av mål

Raskere preklinisk forskning

AI-drevet legemiddelutforming

Prediktiv modellering og simulering

Optimaliserte kliniske studier med kunstig intelligens

Persontilpasset medisin og evidens fra den virkelige verden

Datadrevet identifisering av mål

Før vi kan utforme et legemiddel, må vi finne det terapeutiske målet - et spesifikt enzym, et mutert gen eller en kritisk signalvei. Gjennom analyse av biologiske data i stor skala, inkludert genomisk og transkriptomisk informasjon fra neste generasjons sekvensering (NGS), kan kunstig intelligens bidra til å identifisere de beste behandlingsmulighetene og avdekke komplekse mønstre og sammenhenger som tradisjonelle metoder kan gå glipp av. Dette fører til oppdagelsen av nye mål og innovative behandlinger.

Raskere preklinisk forskning

AI optimaliserer preklinisk forskning ved å utvinne data fra in vitro- og in vivo-studier for å forutsi substansers effekt og toksisitet. Denne metoden hjelper forskere med å ta smarte valg når det gjelder hvilke substanser de skal forfølge, og sparer dermed både tid og ressurser. Videre kan kunstig intelligens optimalisere forsøksdesignet ved preklinisk utvelgelse av legemiddelkandidater for videre utvikling.

AI-drevet legemiddelutforming

AI endrer legemiddelutformingen ved å generere nye molekylstrukturer som er optimalisert med tanke på effekt og sikkerhet. AI-algoritmer identifiserer lovende kandidater og utforsker det kjemiske rommet utover begrensningene ved tradisjonelle metoder ved å analysere massive datasett med eksisterende forbindelser og deres målinteraksjoner. Dette fremskynder oppdagelsen av innovative behandlinger med potensial til å dekke udekkede medisinske behov.

Prediktiv modellering og simulering

AI-drevet prediktiv modellering og simulering forbedrer legemiddelutformingen ytterligere ved å etterligne atferden til komplekse biologiske systemer. Denne in silico-tilnærmingen forutser legemiddelets ytelse i ulike stadier, fra absorpsjon og distribusjon til metabolisme og utskillelse: På denne måten kan forskerne enkelt identifisere legemiddelkandidater med ønskede egenskaper før kostbar eksperimentell testing. Dette forbedrer sjansene for klinisk suksess betydelig.

Optimaliserte kliniske studier med kunstig intelligens

AI spiller en stadig viktigere rolle i kliniske studier. Den brukes til å analysere data fra tidligere studier, identifisere mønstre og forutsi potensielle problemer. Dette hjelper forskerne med å utforme bedre studier, finne de riktige pasientene og øke sjansene for et vellykket resultat, samtidig som kostnader og tidslinjer reduseres. AI kan også gjøre det enklere å finne og rekruttere pasienter til kliniske studier. Den kan matche pasienter til studier basert på deres spesifikke egenskaper og studiekriteriene.

Persontilpasset medisin og evidens fra den virkelige verden

Utviklingen av persontilpasset medisin støttes av AIs evne til å analysere store mengder pasientgenomdata og sykehistorie for å identifisere individuelle biomarkører og utvikle målrettede behandlinger. I tillegg analyserer kunstig intelligens evidens fra den virkelige verden og overvåkningsdata etter markedsføring for å identifisere potensielle sikkerhetsproblemer og forbedre behandlingsresultatene i den virkelige verden.

Datadrevet identifisering av mål

Raskere preklinisk forskning

AI-drevet legemiddelutforming

Prediktiv modellering og simulering

Optimaliserte kliniske studier med kunstig intelligens

Persontilpasset medisin og evidens fra den virkelige verden

AI-drevne tjenester Innowise tilbyr for legemiddelforskning

Multiomisk dataanalyse

Analyse av kliniske data

Analyse av vitenskapelige forskningsdata

De novo legemiddelutforming

ML + molekylær dynamikk

ML + molekylær dokking

Vis alle

Forbedre din AI-drevne legemiddelforskning med Innowise.

Våre AI-drevne tjenester hjelper deg med å øke hastigheten på pipelinen og få mer nøyaktige resultater.

Viktige fordeler med kunstig intelligens i legemiddelforskning og -utvikling

AI er en total forandringsfaktor i legemiddelindustrien: Den gir mange fordeler som gjør prosessen med å oppdage og utvikle legemidler smidigere og mer effektiv.

Redusert utviklingstid og -kostnader

Mer effektive legemidler

Forbedret design av kliniske studier

Bedre prediksjonsevne

Muligheter for repurposing av legemidler

Persontilpasset medisin

Oppgradert narkotikascreening

Optimalisert legemiddelformulering

Forbedret pasientrekruttering

Redusert utviklingstid og -kostnader

Takket være den raske analysen av enorme datasett kan ML-algoritmer fremskynde alle stadier, fra identifisering av målmolekyler og optimering av leads til utforming av kliniske studier og omplassering av legemidler. Sammenlignet med tradisjonelle metoder gir dette raskere tempoet betydelig kortere utviklingstid og lavere kostnader.

Mer effektive legemidler

Korrekt trente AI-modeller kan forutsi kritiske egenskaper som målbindingsaffinitet, farmakokinetiske/farmakodynamiske profiler og ADMET-egenskaper - og dermed hjelpe forskere med å utforme legemidler med bedre effekt. Denne AI-drevne tilnærmingen optimaliserer legemiddelkandidater for bedre målbinding, redusert toksisitet og, til syvende og sist, bedre pasientresultater.

Forbedret design av kliniske studier

AI-modeller bidrar også til å optimalisere utformingen av kliniske studier ved å identifisere ideelle pasientkohorter ved hjelp av prediktive biomarkører og raffinere studieprotokoller for å gjøre dem mer effektive. Denne målrettede tilnærmingen øker sannsynligheten for vellykkede studieresultater og fremskynder leveringen av livsforandrende medisiner til pasientene.

Større prediksjonsevne

Kunstig intelligens øker prediksjonskraften i legemiddelforskningen betydelig og hjelper forskere med å forutsi legemiddelets atferd, effekt og sikkerhetsprofil. Ved hjelp av en rekke ulike teknikker identifiserer kunstig intelligens lovende kandidater og potensielle forpliktelser på et tidlig stadium, og fremskynder utviklingstiden.

Muligheter for repurposing av legemidler

AI-algoritmer analyserer store datasett for å identifisere nye terapeutiske bruksområder for eksisterende legemidler. Denne strategien for ny bruk av legemidler fremskynder utviklingstiden fordi disse legemidlene allerede har etablerte sikkerhetsprofiler og kliniske data, noe som reduserer behovet for omfattende og kostbare de novo-studier.

Persontilpasset medisin

KI analyserer pasientspesifikke data, inkludert genetiske og molekylære profiler, for å skreddersy behandlinger med optimal effekt. For eksempel kan kunstig intelligens forutsi en persons respons på en spesifikk cellegiftkur basert på svulstens genetiske sammensetning, slik at onkologer kan velge den mest effektive behandlingen og samtidig minimere bivirkningene. Denne persontilpassede tilnærmingen maksimerer nytten for den enkelte pasient.

Oppgradert narkotikascreening

AI automatiserer screening av store substansbiblioteker for å identifisere lovende legemiddelkandidater med større effektivitet enn tradisjonelle metoder. Ved å analysere molekylstrukturer og forutsi deres interaksjoner med målproteiner kan kunstig intelligens prioritere forbindelser med størst sannsynlighet for å lykkes, noe som reduserer tiden og kostnadene forbundet med de tidlige stadiene av legemiddelutviklingen betydelig.

Optimalisert legemiddelformulering

AI-algoritmer analyserer samspillet mellom ingredienser og deres innvirkning på stabilitet, løselighet og biotilgjengelighet, og forutsier optimale legemiddelformuleringer. AI kan for eksempel modellere hvordan ulike hjelpestoffer påvirker et legemiddels oppløsningshastighet og absorpsjon i mage-tarmkanalen, noe som fører til bedre effekt, enklere administrering (f.eks. oralt i stedet for intravenøst) og bedre pasientetterlevelse.

Forbedret pasientrekruttering

AI-drevne analyser identifiserer ideelle kandidater for kliniske studier basert på en omfattende analyse av pasientdata, inkludert sykehistorie, demografi og genetisk informasjon. Den identifiserer pasienter som mest sannsynlig vil respondere positivt på en behandling. Denne målrettede rekrutteringsstrategien forbedrer effektiviteten i utprøvingen, øker suksessraten og bidrar til at pasientene får raskere tilgang til nye behandlingsformer.

Redusert utviklingstid og -kostnader

Mer effektive legemidler

Forbedret design av kliniske studier

Større prediksjonsevne

Muligheter for repurposing av legemidler

Persontilpasset medisin

Oppgradert narkotikascreening

Optimalisert legemiddelformulering

Forbedret pasientrekruttering

Eksempler på vellykket implementering av kunstig intelligens i legemiddelforskning

Dette Hongkong-baserte selskapet bruker kunstig intelligens til å finne nye målmolekyler, utforme legemidler og forutsi kliniske studier. En bemerkelsesverdig prestasjon er utviklingen av en legemiddelkandidat mot idiopatisk lungefibrose (IPF) som har gått inn i kliniske fase II-studier. Dette er et konkret resultat av deres AI-drevne plattform for legemiddeloppdagelse, som beveger seg fra teoretisk potensial til klinisk utprøving.

Det San Francisco-baserte selskapet bruker dype konvolusjonelle nevrale nettverk for strukturbasert legemiddelutforming. AtomNet-plattformen deres har blitt brukt til å identifisere potensielle legemiddelkandidater for en rekke sykdommer, blant annet ebola og multippel sklerose. Selskapets samarbeid med legemiddelselskaper som Eli Lilly og Bayer viser den praktiske anvendelsen av teknologien deres i den virkelige verden.

Known for their expertise in medicinal chemistry and machine learning, PostEra’s Manifold platform combines machine learning, retrosynthetic analysis, and cloud-based chemical synthesis. Their partnership with Pfizer, initially focused on COVID-19 antivirals, has expanded to other therapeutic areas. Their Open Synthesis initiative underscores their dedication to open source research and collaboration in drug discovery.

Innowise-casestudier av AI i legemiddelforskning i det virkelige liv

Automatisering av prediksjon av molekylære egenskaper i legemiddelforskning

Vi har utviklet en maskinlæringsmodell for å forutsi vandig løselighet for nye småmolekylære inhibitorer rettet mot protein X. Ved hjelp av eksperimentelt bestemte løselighetsdata har vi trent opp en tilpasset ML-pipeline som utnytter molekylære deskriptorer. Modellen oppnådde en R-kvadrat på 0,70 ved ekstern validering, noe som gjør den til et verdifullt verktøy for screening av virtuelle biblioteker og prioritering av forbindelser for syntese.

Molekylvekt
LogP
Topologisk polart overflateareal
Antall hydrogenbindingsdonorer/akseptorer
Ytterligere molekylære egenskaper

Under utviklingen ga fem ganger kryssvalidering en gjennomsnittlig R-kvadrat på 0,75. Selv om modellen ikke erstatter eksperimentelle målinger, bidrar den til å akselerere prosessen med å optimalisere potensielle stoffer ved å muliggjøre rask virtuell screening av stoffbiblioteker før syntese og testing.

Les mer

Forbedret PBPK-modellering med maskinlæring

Vi forbedret prediksjonene for leverclearance i en GastroPlus PBPK-modell ved hjelp av en hybrid maskinlæringstilnærming. Ved å kombinere LightGBM og D-MPNN grafnevrale nettverk oppnådde modellen vår en R-kvadrat på 0,82 i kryssvalidering. Integrasjonen reduserte gjennomsnittlig foldfeil fra 2,5 til 2,0 sammenlignet med tradisjonelle in vitro-skaleringsmetoder, noe som muliggjør mer pålitelige prediksjoner av legemiddeleksponering.
Studien tok utgangspunkt i 150 stoffers kjemiske strukturer og in vitro-stabilitetsdata for hepatocytter. Vi utviklet en spesialtilpasset pipeline med Gradient Boosting Machine-modell med LightGBM og Directed Message Passing Neural Network-arkitektur. Den forbedrede nøyaktigheten bidro direkte til et bedre informert dosevalg for prekliniske studier.

Les mer

Overvåking av sosiale medier for bivirkningsovervåking

Før vi utformer et legemiddel, må vi finne det terapeutiske målet - enten det er et spesifikt enzym, et mutert gen eller en kritisk signalvei. Gjennom analyse av biologiske data i stor skala, inkludert genomisk og transkriptomisk informasjon fra neste generasjons sekvensering (NGS), kan kunstig intelligens bidra til å identifisere de beste mulighetene for terapeutisk målretting. Avanserte maskinlæringsalgoritmer, som grafnevrale nettverk og overføringslæring.

Vi har laget et Twitter-overvåkingssystem for å oppdage bivirkninger for legemiddel Y. Ved hjelp av NLP og en tilpasset maskinlæringsklassifisering oppnådde vi en F1-score på 0,78 på 5000 annoterte tweets. Systemet identifiserte flere potensielle sikkerhetssignaler i løpet av en tremånedersperiode, og fungerte som et system for tidlig varsling som et supplement til tradisjonell legemiddelovervåking.
Systemet brukte gjenkjenning av navngitte entiteter og sentimentanalyse for å filtrere relevante tweets. Klassifisereren vår ble spesifikt trent opp til å skille mellom ekte omtale av bivirkninger og generelle diskusjoner om legemidler. Identifiserte signaler ble videresendt til bivirkningsovervåkingsteamet for videre undersøkelse og behandling, noe som forbedrer tradisjonelle metoder for sikkerhetsovervåking.

Les mer

FAQ

Kan kunstig intelligens erstatte tradisjonelle metoder i legemiddelutviklingen?

AI isn’t a replacement for traditional methods in drug development. It’s a great tool to help speed things up and make them more efficient. While AI algorithms can analyze huge amounts of data, predict molecular properties, and identify potential drug candidates more efficiently than traditional approaches, it’s still important to test them out in real life.

Hvordan sørger Innowise for at AI-prosjekter er i samsvar med relevant regelverk?

Innowise’s AI projects are built to comply with all relevant regulatory standards (FDA, EMA, ICH, GDPR, HIPAA). We have rigorous data governance, validated and documented models, and a commitment to explainable AI. We make sure that the data we use is of good quality, secure, and transparent throughout the development process. This thorough process helps us avoid potential risks and guarantee reliable results for our clients.

Hvilken ekspertise bringer Innowises AI-utviklere med seg til legemiddelforskning?

Innowise har kompetanse innen maskinlæring (dyp læring, forsterket læring og klassiske teknikker), kjemiinformatikk, bioinformatikk og legemiddelutviklingsprosesser, og benytter verktøy og teknologier som er standard i bransjen for å skape effektive AI-løsninger for legemiddelutvikling.

Hvordan kan jeg ansette AI-utviklere fra Innowise til prosjektet mitt?

Du kan leie AI-utviklere fra Innowise ved å kontakte teamet vårt via nettstedet vårt. Vi tilbyr fleksible engasjementsmodeller, inkludert prosjektbaserte kontrakter og dedikerte team, slik at vi kan sette sammen et team av AI-utviklere med den rette ekspertisen for å levere vellykkede resultater.

Roman Sen Leder for AI-avdelingen hos Innowise

Dato: 20. november 2024

Philip Tikhanovich Leder for Big Data og AI

Dato: 20. november 2024

Innholdsfortegnelse

Kontakt oss

Bestill en samtale eller fyll ut skjemaet nedenfor, så vil vi kontakte deg så snart vi har behandlet forespørselen din.

Navn

Firma

E-post

Telefon

Melding

Send oss en talemelding

Legg ved dokumenter

Last opp fil

Du kan legge ved én fil opptil 2MB. Gyldige filformater: pdf, jpg, jpeg, png.

Ved å klikke Send, samtykker du til at Innowise behandler dine personopplysninger i henhold til vår Personvernerklæring for å gi deg relevant informasjon. Ved å oppgi telefonnummeret ditt, godtar du at vi kan kontakte deg via talesamtaler, SMS og meldingsapper. Samtale-, meldings- og datakostnader kan påløpe.

Du kan også sende oss forespørselen din
til contact@innowise.com

Hva skjer videre?

Når vi har mottatt og behandlet forespørselen din, vil vi kontakte deg for å diskutere prosjektbehovene dine og signere en NDA for å sikre konfidensialitet.

Etter å ha undersøkt dine ønsker, behov og forventninger, vil teamet vårt utarbeide et prosjektforslag med omfang av arbeid, teamstørrelse, tids- og kostnadsestimater.

Vi vil arrangere et møte med deg for å diskutere tilbudet og fastsette detaljene.

Til slutt vil vi signere en kontrakt og starte arbeidet med prosjektet ditt umiddelbart.