Umělá inteligence (AI, AI) má potenciál způsobit revoluci v procesu objevování nových lékůposkytující zlepšenou efektivitu, přesnost a rychlost jejich akce. Úspěšná aplikace AI však závisí na dostupnosti vysoce kvalitních dat, řešení etických problémů a uznání omezení přístupů založených na AI.
Metody lékařské chemie se v současné době do značné míry spoléhají na přístup typu hit-a-miss rozsáhlé výzkumné techniky. Tyto techniky zahrnují screening velkého počtu potenciálních léčivých sloučenin k identifikaci těch s požadovanými vlastnostmi. Tyto metody však mohou být pomalé, drahé a často poskytují výsledky s nízkou přesností. Kromě toho mohou být omezeni nedostatkem vhodných testovaných sloučenin a obtížností přesné předpovědi jejich chování v těle.
Objevování léků, proces identifikace a vývoje nových léků, je komplexní a časově náročné úsilí, které se tradičně opírá o pracné techniky, jako je experimentování metodou pokus-omyl a vysoce výkonný screening. Nicméně, AI techniky jako strojové učení (ML) nabízejí potenciál urychlit a zlepšit tento proces tím, že umožňují rychlou a přesnou analýzu velkého množství dat.
Takové metody založené na umělé inteligenci to také dokázaly předpovídat toxicitu drogových kandidátů. Tento a další důkazy zdůraznily schopnost umělé inteligence zlepšit efektivitu procesů objevování léků. Využití umělé inteligence pro vývoj nových bioaktivních sloučenin však také čelí výzvám a omezením. Je třeba vzít v úvahu etické ohledy a je zapotřebí dalšího výzkumu, abychom plně porozuměli výhodám a omezením umělé inteligence v této oblasti. I přes tyto překážky se očekává, že umělá inteligence v příštích několika letech významně přispěje k vývoji nových léků a terapií.
Různé algoritmy založené na AI, včetně řízeného a nekontrolovaného učení, posilování a evolučních metod nebo metod založených na pravidlech algoritmy, může potenciálně přispět k řešení těchto problémů. Tyto metody jsou obvykle založeny na analýze velkého množství dat, která lze využít různými způsoby. Například účinnost a toxicitu nových léčivých sloučenin lze pomocí těchto přístupů předvídat s větší přesností a účinností než při použití tradičních metod.
Kromě toho lze také použít algoritmy založené na AI identifikace nových cílů pro vývoj léků jako jsou specifické proteiny nebo genetické dráhy zapojené do onemocnění. To by mohlo rozšířit rozsah objevování léků za hranice konvenčnějších přístupů a mohlo by to nakonec vést k vývoji nových a účinnějších léků.
Zatímco tedy tradiční farmaceutické výzkumné metody byly v minulosti relativně úspěšné, jsou omezeny tím, že se spoléhají na experimenty typu pokus-omyl a nejsou schopny přesně předvídat chování nových potenciálních bioaktivních sloučenin. Na druhé straně přístupy založené na umělé inteligenci mají schopnost zlepšit efektivitu a přesnost procesů objevování léků a mohou vést k rozvoji účinnější léky.
Reference:
1. Paul D., Sanap G., Shenoy S., Kalyane D., Kalia K., Tekade RK Umělá inteligence v objevování a vývoji léků
2. Xu Y., Liu X., Cao X., Huang C., Liu E., Qian S., Liu X., Wu Y., Dong F., Qiu CW a kol. Umělá inteligence: Mocné paradigma pro vědecký výzkum
3. Zhuang D., Ibrahim AK Hluboké učení pro objevování léků: Studie identifikace vysoce účinných léčivých sloučenin pomocí přístupu učení s kaskádovým přenosem
4. Pu L., Naderi M., Liu T., Wu HC, Mukhopadhyay S., Brylinski M. EToxPred: Přístup založený na strojovém učení k odhadu toxicity kandidátů na léky
