[ad_1]
Insilico Medicine, компания, занимающаяся разработкой лекарств на основе искусственного интеллекта на клинической стадии, объявила о революционной вехе в медицине: она успешно спрогнозировала результаты клинических испытаний от II до III фазы с помощью своего запатентованного инструмента искусственного интеллекта на основе генеративного трансформатора inClinico.
На клиническую стадию приходится около 90% неудач при разработке лекарств, связанных с такими проблемами, как недостаточная эффективность, проблемы безопасности, а также сложность заболеваний и данных. Эти неудачи приводят к потере триллионов долларов и потраченным годам усилий. В ответ на такой огромный процент неудач компания Insilico разработала программную платформу генеративного искусственного интеллекта inClinico для прогнозирования результатов клинических испытаний фазы II.
Платформа включает в себя различные механизмы, использующие возможности искусственного интеллекта и мультимодальные данные, включая текст, омику, дизайн клинических испытаний и свойства малых молекул. Данные обучения включают более 55 600 уникальных клинических исследований фазы II за последние семь лет.
Последующая вероятностная модель клинических испытаний, разработанная исследователями Insilico, продемонстрировала впечатляющую точность 79% при проверке на реальных испытаниях в наборе проспективных проверок, где были доступны измеримые результаты.
ИИ совершает революцию в разработке лекарств
Исследование, опубликованное в журнале Clinical Pharmacology and Therapeutics, демонстрирует потенциал ИИ, способный произвести революцию в разработке лекарств и принятии инвестиционных решений.
Компания заявила, что механизмы искусственного интеллекта, использованные в этом исследовании, были интегрированы в систему inClinico, предназначенную для прогнозирования результатов клинических испытаний. Эта интеграция является ключевым компонентом платформы анализа и планирования клинических исследований Medicine42.
«ИИ предлагает огромное преимущество, когда дело доходит до обработки и анализа сложных данных и распознавания закономерностей», — сказал VentureBeat Алекс Жаворонков, основатель и генеральный директор Insilico Medicine. «Используя машинное обучение и искусственный интеллект, мы построили модели на основе различных данных, связанных с успешно запущенными и неудачными лекарствами. Затем мы объединили эти модели в нашу систему прогнозирования inClinico. Для каждого оцениваемого исследования фазы II inClinico рассчитывает вероятность успеха перехода к фазе III».
Жаворонков сообщил, что проверочные исследования проводились внутри компании и в сотрудничестве с фармацевтическими компаниями и финансовыми учреждениями и продемонстрировали надежность наклонной платформы. На квазипроспективном наборе данных проверки платформа достигла впечатляющего показателя ROC AUC 0,88, что является показателем ее способности различать успех и неудачу при переходе в клинические испытания.
Компания утверждает, что точные прогнозы платформы были проверены с помощью виртуального торгового портфеля с отметкой даты, что привело к возврату инвестиций (ROI) на 35% за девять месяцев, что делает ее ценным инструментом для инвесторов, ищущих важную техническую информацию о комплексной проверке.
Использование генеративного ИИ для разработки и открытия лекарств
Жаворонков из Insilico сообщил, что его исследовательская группа создала стартовый набор данных клинических испытаний фазы II на основе 55 653 исследований, взятых с сайта Clinicaltrials.gov и различных других общедоступных источников, включая пресс-релизы и публикации фармацевтических компаний.
Эти данные необходимо было правильно маркировать, аннотировать и связывать друг с другом; задача, выполняемая биомедицинскими экспертами, дискриминативным преобразователем и генеративной моделью большого языка.
Затем система преобразования сопоставила эти исследования с лекарствами и заболеваниями, используя конвейер обработки естественного языка (NLP), основанный на современном методе обучения интерпретации лекарств и заболеваний с помощью преобразователя представления биомедицинских объектов (DILBERT), который был опубликован в ECIR. Конференция 2021 года.
Жаворонков заявил, что фармацевтическая отрасль традиционно опирается на фундаментальные академические исследования и случайность для генерации новых идей и гипотез. Однако высокий процент неудач указывает на то, что сложность заболеваний и биологических механизмов чрезвычайно затрудняет определение успешных мишеней для лечения болезней, особенно новых мишеней.
Выявление идей, потенциальных методов лечения
Жаворонков утверждает, что включение ИИ в анализ больших и разнообразных наборов данных может дать представление о механизмах заболеваний и потенциальных методах лечения, которые могут быть неочевидны для людей. PandaOmics является частью inClinico и собирает огромные объемы данных клинических испытаний, лекарств и информации о заболеваниях, чтобы прогнозировать вероятность успеха или неудачи во время перехода от фазы II к фазе III.
PandaOmics использует различные типы данных, такие как данные омикса, гранты, клинические испытания, соединения и публикации, для анализа и составления ранжированного списка потенциальных целей, специфичных для интересующего заболевания.
«PandaOmics — это граф знаний для идентификации целей, с помощью которого наша платформа генеративного искусственного интеллекта может находить связи между успехом или неудачей клинических испытаний, болезненными состояниями и свойствами лекарств, которые могут ускользнуть от ученых-людей», — сказал Жаворонков VentureBeat. «Используя эти данные, мы построили нашу модель для прогнозирования вероятности успеха клинических испытаний фазы II, определяемой как переход пары лекарство-условие из фазы II в фазу III».
Расширенные возможности прогнозирования
Insilico Medicine проводит обучение в Clinico клиническим испытаниям, лекарствам и заболеваниям с 2014 года, сказал Жаворонков, подчеркнув, что, объединив мультимодальные LLM и другие технологии искусственного интеллекта, компания значительно расширила свои прогностические возможности.
В результате inClinico теперь служит инструментом, помогающим компаниям направлять свои исследовательские средства и опыт на программы с наибольшей вероятностью успеха, одновременно позволяя им собирать и использовать ценную информацию из программ, которые столкнулись с неудачами.
«Способность inClinico прогнозировать успешный переход лекарств из фазы II в фазу III, даже без предварительной информации, связанной с клинической значимостью действия препарата на заболевание, подтверждает правильность моделей генеративного искусственного интеллекта и их способности опираться на существующие данные для прогнозирования результатов лечения заболеваний. заболеваний, по которым имеется меньше данных», — пояснил Жаворонков. «Чем больше у него данных и чем успешнее результаты, тем лучше ИИ делает точные прогнозы».
Что будет дальше с Insilico?
Жаворонков выразил решительную поддержку полученным выводам, одновременно признав, что они основаны на ограниченном наборе данных. Он твердо верит, что сложность и точность системы будут постоянно улучшаться с течением времени благодаря увеличению объема данных и расширению возможностей, включая идеи внутренних программ Insilico, три из которых (для идиопатического легочного фиброза, рака и COVID-19) успешно продвинулись вперед. к клиническим испытаниям.
Insilico прогнозирует, что примерно 20–25% исследований можно предсказуемо оценить с помощью инструмента inClinico со значительной точностью. Компания стремится и дальше расширять свои возможности, используя новые достижения лабораторной робототехники для прогнозирования показателей успеха комбинированной терапии и облегчения выбора наиболее эффективных комбинаций для таргетной терапии.
«Мы интегрируем в нашу платформу передовые технологические достижения, включая робототехнику на базе искусственного интеллекта, AlphaFold и квантовые вычисления», — пояснил Жаворонков. «Моя главная цель — добиться широкого внедрения этого инструмента, поскольку более широкое использование будет способствовать дальнейшему совершенствованию. Мы используем подход под названием «Обучение с подкреплением на основе отзывов экспертов» (RLEF), при котором точность инструмента повышается за счет информации, которую мы получаем от аналитиков, использующих его для прогнозов. В настоящее время мы можем предсказать только первые в своем классе однокомпонентные таргетные препараты с малыми молекулами».
[ad_2]
Источник
