Често изтъкваме, че напредъкът в медицината през последните 100 – 150 г. е основната причина за повишаване на качеството и продължителността на живота по света. Понякога дори се чудим как е възможно преди човечеството да се е развивало без тези достижения. Очакваната средна продължителност на живота вече в най-населената страна на света, Индия, точно преди век е била непонятните от сегашна гледна точка 25 г. Дори в най-развитите страни за този период продължителността на живота се е покачила с поне 20 – 30 г. Ако погледнем голямата картина обаче, се оказва, че сме само в началото на пътя. Медицината например познава около 10 000 човешки заболявания. От тях реално можем да излекуваме само около 500. Много от познатите лекарства пък са придружени с дълъг списък странични ефекти.

Паралелът с развитието на технологиите в последните десетилетия е стряскащ. Известният законът на Мур (Moore) гласи, че броят на компонентите на една интегрална схема се удвоява приблизително на всеки две години. През 2012 г. изследователите въведоха термина „закон на Ерум“ (Eroom – Moore, изписан отзад-напред), за да опишат контрастиращия път на разработване на лекарства. През предходните 60 години броят на одобрените лекарства в САЩ на милиард долара разходи за научноизследователска и развойна дейност е намалявал наполовина на всеки девет години. Днес е възможно да са необходими повече от един милиард долара финансиране и десетилетие работа, за да се пусне на пазара едно-единствено ново лекарство. Половината от това време и пари се харчат за клинични изпитвания, които стават все по-големи и по-сложни. И само един на всеки седем медикамента, които влизат във фаза I на изпитвания, в крайна сметка е одобрен. Много учени смятат, че решението на този проблем вече се вижда и то не е в биологията, а в инженерните науки – в лицето на новите достижения в технологиите и в частност – изкуствения интелект.

Безброй неоткрити лекарства

Традиционно разработването на лекарства разчита на формирането на молекули и тестването им, за да се види как се държат, както и дали съответното им поведение може да противодейства на заболяване. Този процес е сложен и дълъг, съпътстван с много проби и грешки. Преди появата на последните AI инструменти се смяташе, че учените по света са разгледали и изпитали около 7 милиона различни химикала в историята. В същото време броят на възможните химични съединения с потенциал за въздействие е между 1033 и 1060, смятат различни източници.  

Един от възможните начини на влияние върху скоростта и мащаба на проучване на нови терапевтични средства е чрез увеличаването на данните, изчислителната мощ и възможността на новите, подпомогнати от невронни мрежи системи да обработват огромни количества информация, да извличат от тях невидими с просто око взаимовръзки, както и да създават дигитални модели, които да послужат за целите на изпитванията.

Откритата преди месеци от екип на Масачузетския технологичен институт (MIT) възможна терапия срещу една от потенциално най-опасните бактерии в света – устойчивата на метицилин Staphylococcus aureus (MRSA) – e един от най-ярките примери в началото на този път. В случая не е важно единствено прогнозираното влияние на самия медикамент. Това е първият нов клас антибиотици, открит за последните 60 години. В същото време се открива методология, използваща AI за проучване на влиянието на химически съставки върху човешкия организъм.

Екипът от изследователи на MIT обучава разширен deep learning модел, като използва данни за приблизително 39 000 съединения, които са оценени за антибиотична активност срещу MRSA. Впоследствие както получените данни, така и подробности относно химичните структури са въведени в модела. Той прогнозира активността, но и токсичността на възможните комбинации. За последното се ползват три допълнителни deep learning модела, които са изследвали негативните ефекти от потенциалните медикаменти върху три различни типа човешки клетки. Мащабът на новия технологичен път показва обхвата на новите хоризонти: изпробват се около 12 млн. налични в търговската мрежа съставки, които са намалени до 280, от които се прогнозират 2 обещаващи антибиотични кандидата.

Ключово нововъведение в проучването е, че изследователите са успели да разберат какви видове информация е използвал моделът, за да направи своите прогнози за антибиотична ефективност. Това знание може да помогне за проектирането на допълнителни, дори още по-добри лекарства. „Нашата работа предоставя рамка, която е ефективна спрямо времето и ресурсите от гледна точка на химическата структура, по начини, които не сме имали досега“, казва проф. Джеймс Колинс от MIT.

Генерирай ми молекула

Проучването е част от проекта Antibiotics-AI в MIT, който си поставя за цел да открие потенциални лечения за 7 смъртоносни бактерии в рамките на следващите 7 години. То обаче далеч не е единствено, а употребата на AI в медицината не е ограничена до западния свят. Базираната в Хонконг Insilico Medicine е във фаза IIa на клинично проучване на откритото по техния (базиран на изкуствен интелект) метод лекарство против белодробна фиброза, както и във фаза I на изпитване на потенциално иновативно лечение за възпалителните заболявания на червата, като болест на Крон и улцерозен колит. Молекулите, които се проучват, са създадени чрез собствената им платформа Pharma.AI и по-точно генеративната AI система Chemistry24.

„Може да мислите за Chemisty24 като за ChatGPT за нови молекули“, обяснява изпълнителният директор на Insilico Алекс Жаворонков пред медиите. „Но вместо чрез текстови команди AI модел да генерира ново есе или стихотворение въз основа на съществуваща информация, нашата платформа черпи от биологични и химически данни, за да проектира изцяло нова молекула, като използва нашите инструкции.“ В случая тези инструкции включват познанието, че производството на специфичен протеин оказва негативно влияние на този тип състояние, поради което то трябва да бъде блокирано, като в същото време се стимулират процеси в тялото, които подобряват защитата на чревната лигавица.

АI системата проектира повече на брой възможни молекули, които отговарят на критериите, и ги класира, а екипът от учени синтезира и тества редица от тях, преди да избере най-обещаващата. Очакваното лекарство ще действа само върху червата, т.е. не се очакват странични ефекти в други системи от него.

Дигитални модели

„AI може да се използва не само за да отсява информация за вече познати съставки, но и да предлага непознати такива“ – смята Адитьо Пракаш, изпълнителен директор на биотехнологичната компания Verseon.

Компанията първо изгражда 3D модел на протеина, на който иска лекарството да повлияе.

„Защо да не можете да проектирате атом по атом това перфектно свързващо вещество, което ще пасне на протеина?“, пита Пракаш. Той прави аналог с начина, по който изграждаме детайлите в електрониката, наблягайки на прехода от биологичен към инженерингов подход в медицината. Всъщност Verseon има впечатляващ борд от съветници, който включва Нобеловия лауреат Стивън Чу и бившия R&D директор на The Wellcome Foundation Тревър M. Джоунс, под чийто надзор бяха разработени редица успешни лекарства, включително такива за третиране на ХИВ и хепатит. Другите двама основатели на компанията са с квалификация в математиката и физиката. Пракаш вижда бъдещето на медицината в точките, в които различни научни области се припокриват. Всъщност точно напредъкът в квантовата физика прави възможно моделирането на индивидуалните връзки между атомите и поведението на целите молекули. След това пак с AI се търсят други, сходни молекули, които биха могли да свършат още по-добра работа. Пракаш казва, че тази комбинация от инструменти дава надежда да се отвори неизследвана част от науката, да се намерят най-добрите или първите в класа си нови медикаменти. Той мечтае за „нова фундаментална трансформация на медицината  през XXI век“. Компанията всъщност твърди пред Newsweek, че разработва 15 кандидат-лекарства за 8 значими болести, засягащи милиони – сред тях са антикоагуланти със значително по-нисък риск от кървене, както и медикаменти за третиране на загубата на зрение, свързана с диабет.

Ускоряване на клиничните проучвания

Освен в сфери, които въпреки данните все още ни звучат близо до фантастиката, изкуственият интелект може да подпомогне откриването на нови лечения и на съвсем ежедневна, практическа база – като прави клиничните изпитвания по-лесни, бързи, прогнозируеми и увеличава шансовете им за успех.

Част от Pharma.AI на Insilico например е и приложението inClinico, което служи за проектиране и предричане на изхода от клиничните проучвания. И това не е прецедент.

Лабораторията на Жиман Сун, компютърен учен в Университета на Илинойс в Ърбана-Шампейн, разработва алгоритъм, който може да предвиди дали едно изпитване ще успее въз основа на молекулата на лекарството, заболяването, което то таргетира, и критериите за допустимост на пациента, като взима предвид и кога са проведени опитите. На база на прогнозирания резултат фармацевтичните компании може да решат да променят дизайна на изпитването или да опитат напълно различно лекарство. Отново в Илинойс Intelligent Medical Objects разработва SEETrials, метод за използване на GPT-4 на OpenAI да извлича информация за безопасност и ефикасност от резюметата на клиничните изпитвания. Това позволява на дизайнерите на изпитвания бързо да видят как други изследователи са проектирали такива и какви са били резултатите. Лабораторията на Майкъл Снайдер, генетик от Станфордския университет в Калифорния, създаде миналата година инструмент, наречен CliniDigest, който едновременно обобщава десетки записи от ClinicalTrials.gov, основния регистър на САЩ за медицински изпитвания.

Група от университета Станфорд пък се е фокусирала върху друго тясно място в изпитванията. Набирането на хора за подобни проучвания отнема около 1/3 от процеса. AI-базираното решение на Станфорд, наречено Trial Pathfinder, анализира завършени клинични изпитвания и оценява как коригирането на критериите за участие – като прагове за кръвно налягане и брой лимфоцити – влияе върху коефициентите на опасност или вероятността за инциденти като сериозно заболяване или смърт сред пациентите. По този начин не само се увеличава успеваемостта на проучванията, но и потенциално повече болни хора могат да вземат участие в тях и да получат лечение с намален риск. Сред големите компании, които вече ползват тази система, са Roche, Genentech и AstraZeneca.

Лабораторията на Сун пък работи върху Auto Trial – модел, който обучава LLM да определя критерии за участване в изпитванията, базирани на текстово описание. Създават се и AI-базирани приложения, които да подпомогнат откриването на подходящи участници, както и да подпомагат търсещите участие да намират точните за тях отворени клинични проучвания. Изкуственият интелект намалява и с между 20 и 50% броя пациенти, нужен за започване на самото изпитване, чрез създаване на дигитални двойници. Отделно се автоматизира документацията и се подпомага извличането на информацията от неструктурираните данни от изследванията. Това включва както анализ на текст, така и на изображения.

Медицината е една от сферите, в която мненията за ефекта от изкуствения интелект не са контрастни. Там последствията от въвеждането се очаква да бъдат подчертано положителни, дори революционни. Даже не можем да се ограничим само до лекарствата. Приложения има в проследяването на състоянието на пациентите, разчитането на сложни изследвания и симптоми, като например изображения от компютърна томография. Очаква се AI да окаже безценна помощ в доболничната сфера и дори се разглежда като част от решението на кризата с недостига на медицински персонал по света, която засяга дори най-развитите страни. Същевременно може да направи по-достъпна медицинската грижа при по-бедните държави. Огромна част от възможностите обаче са все още неописана територия. Но няма как да не се запитаме: предстои ли нова ера на велики открития за човешкото здраве и дълголетие?