Desain Terapi Generatif
Mesin Ide untuk Biofarma berbasis AI
Membawa terapi baru untuk pasien sulit, mahal dan memakan waktu. Biaya rata-rata untuk mengembangkan obat dan membawanya ke pasar adalah sekitar $3 miliar dan dapat memakan waktu 12-14 tahun. Fase penemuan obat, yang menghabiskan sekitar sepertiga dari biaya keseluruhan, membutuhkan sintesis ribuan molekul dan hingga 5 tahun untuk mengembangkan calon timbal pra-klinis tunggal. Selanjutnya, hanya 10% senyawa yang masuk uji coba Tahap I yang benar-benar mendapat persetujuan. Kami percaya bahwa Artificial Intelligence (AI) memiliki potensi untuk mempercepat fase penemuan dan menurunkan biaya penemuan secara signifikan. Sebagai manfaat tambahan, AI dapat membantu ilmuwan mengirim senyawa berkualitas lebih tinggi ke klinik, sehingga mengurangi tingkat kegagalan. Kemajuan terbaru dalam ilmu molekuler dan pembelajaran mesin, dikombinasikan dengan ketersediaan platform komputasi awan yang kuat, mengubah potensi ini menjadi kenyataan.
BIOVIA Generative Therapeutics Design (GTD) meningkatkan dan mempercepat desain kandidat pemimpin dengan mengotomatiskan pembuatan virtual, pengujian, dan pemilihan molekul kecil baru. Solusi berbasis cloud menggunakan teknik AI/Machine Learning yang canggih untuk membantu para ilmuwan memutuskan molekul apa yang akan dibuat selanjutnya—membantu memandu proses penemuan obat dan mengoptimalkan hasil R&D.
Pembelajaran Aktif
Pembelajaran aktif adalah spesialisasi dalam Machine Learning di mana komputasi ('virtual') dan eksperimen ('nyata') digabungkan—memungkinkan para ilmuwan untuk menemukan jawaban yang optimal dengan cara yang seefisien mungkin. Menggunakan penemuan memimpin molekul kecil sebagai contoh, tim penemuan obat dimulai dengan model awal dibangun dari sejumlah kecil data, misalnya, hasil uji untuk beberapa puluh senyawa. Mereka kemudian menggunakan model ini untuk menyarankan senyawa baru yang dapat meningkatkan cakupan model mereka. Saat mereka mensintesis dan menguji serangkaian senyawa baru, data pelatihan baru tersedia untuk melatih ulang dan meningkatkan model. Memperbarui model secara berulang dengan cara ini adalah pendekatan yang sudah mapan untuk mengoptimalkan desain menggunakan iterasi paling sedikit, sehingga memperpendek garis waktu penemuan secara keseluruhan. Seiring dengan peningkatan cakupan dan kualitas model, senyawa yang direkomendasikan untuk mencapai profil produk target (TPP) yang diinginkan akan menjadi lebih beragam dan lebih mungkin berhasil.
AI manusia dalam lingkaran
Generative Therapeutics Design secara iteratif menghasilkan ribuan molekul virtual, menjelajahi ruang desain kimia yang luas untuk kandidat pemimpin baru yang optimal. Karena optimasi timbal adalah tantangan optimasi multi-tujuan, sistem menilai dan menyeimbangkan sifat target penting seperti aktivitas obat, kelarutan, hepatotoksisitas, ketersediaan obat dan stabilitas metabolisme, dan berpotensi juga kemudahan sintesis, pengembangan, dan pertimbangan IP seperti paten.
Ahli kimia meja dapat memberikan wawasan ahli tentang proses ini, melengkapi prediksi alat berat dan memengaruhi iterasi desain selanjutnya. Kami menggunakan istilah "kecerdasan tambahan" untuk konsep "manusia dalam lingkaran" ini. Kecerdasan manusia berkolaborasi dengan kecerdasan mesin untuk mendorong hasil yang lebih cepat dan lebih akurat.
AI Lab-in-the-Loop
Tentu saja, para ilmuwan juga perlu memvalidasi struktur yang menjanjikan di laboratorium. “Kecerdasan Buatan Lab-in-the-loop” ini menggabungkan keunggulan metode pembelajaran mesin yang tidak bias dengan eksperimen dunia nyata serta pengetahuan dan pengalaman para ahli ilmiah.
Sebagai bagian dari proses desain, sistem akan dapat memperhitungkan reagen yang tersedia untuk dibeli dari vendor pihak ketiga atau perusahaan sintesis, sehingga organisasi dapat meminimalkan waktu penyelesaian dan/atau biaya saat bekerja dengan lab internal atau outsourcing untuk organisasi penelitian kontrak.
Pengujian gabungan yang sedang berlangsung memberikan data pelatihan tambahan untuk meningkatkan model prediktif. Proses pembelajaran aktif kritis ini, dikombinasikan dengan pengujian dunia nyata, memperluas cakupan model, memungkinkan iterasi berikutnya untuk menjelajahi wilayah baru. Proses berlanjut sampai ahli kimia obat menemukan senyawa yang memenuhi TPP.
Pemodelan dan Simulasi
Pemodelan dan simulasi dapat melengkapi metode pembelajaran mesin otomatis. Ahli kimia komputasi dapat memodelkan sistem yang kompleks dari prinsip pertama dan mendapatkan wawasan yang akan memakan waktu lebih lama dan jauh lebih mahal bila diperoleh melalui eksperimen bangku. Misalnya, metode seperti penilaian farmakofor, docking molekuler, dan gangguan energi bebas (FEP) dapat membantu para ilmuwan memprediksi dalam tiga dimensi jika dan bagaimana molekul obat yang diusulkan akan berinteraksi dengan protein yang terlibat dalam suatu penyakit. Para ilmuwan akan dapat mengotomatiskan metode ini dan menjalankannya sebagai bagian dari proses desain generatif.
Studi Kasus
Menggunakan BIOVIA Generative Therapeutics Design, sebuah apotek besar AS mampu membangun serangkaian model pembelajaran mesin berkualitas tinggi dari rangkaian awal senyawa proyek. Berdasarkan model ini, sistem mengusulkan serangkaian senyawa untuk putaran sintesis dan pengujian berikutnya. Sistem dengan cepat 'belajar' dari senyawa proyek mereka tentang motif struktural yang atipikal, namun dianggap berharga untuk target terapeutik spesifik mereka. Ahli kimia obat juga dapat menentukan bagian mana dari senyawa awal yang perlu dijaga konstan untuk memanfaatkan ruang kimia yang lebih sempit di sekitar senyawa ini. Ini menghasilkan satu set baru senyawa virtual yang diusulkan dengan rute sintetis yang sudah dikenal dan TPP yang ditingkatkan.
Pada akhirnya, ahli kimia obat menemukan bahwa sekitar 80% senyawa yang diusulkan oleh sistem memenuhi profil properti yang diprediksi, dan satu senyawa memenuhi profil produk target yang lengkap. Umpan balik ahli kimia adalah bahwa sebagian besar senyawa yang diusulkan menggembirakan karena secara struktural mirip dengan senyawa yang sudah dipertimbangkan. Yang lebih menarik, subset dari senyawa yang diusulkan secara struktural baru dan senyawa yang tidak akan mereka pertimbangkan menggunakan metode tradisional. Di sinilah Desain Terapi Generatif menunjukkan nilai nyata— dalam mengusulkan senyawa di luar domain yang biasanya dipelajari oleh ahli kimia ini.
Tiga Takeaways
- Desain Terapi Generatif dapat menjadi mesin ide yang efektif e untuk ahli kimia di bidang farmasi, biotek dan bahkan sektor agrokimia. Sistem ini dapat memberi para ilmuwan ide-ide baru tentang apa yang harus disintesis selanjutnya dan membantu mereka menyelidiki di luar tempat yang biasanya mereka lihat. Ini memelihara intuisi mereka dan membantu mereka berpikir tentang senyawa dengan cara yang berbeda.
- Desain Terapi Generatif dapat mempercepat pengembangan calon pemimpin —meningkatkan kualitas molekuler, mengurangi biaya eksperimen dan mempersingkat waktu penemuan. Dengan membantu memajukan hanya kandidat yang paling menjanjikan untuk uji klinis, sistem ini berpotensi menghemat jutaan dolar penelitian dalam pengembangan obat dan program lainnya.
- Ahli kimia yang bekerja sama dengan AI/Machine Learning memberikan hasil terbaik. Dengan Generative Therapeutics Design, ilmuwan dan algoritma AI saling melengkapi. Ilmuwan dapat bekerja dengan algoritme dengan tepat, membuat desain mereka sendiri, dan sepenuhnya memanfaatkan intuisi mereka untuk mendapatkan hasil terbaik.
Satu Kata Terakhir
Alat desain generatif sangat kuat bila digunakan sebagai bagian dari alur kerja bisnis yang lebih besar. BIOVIA menambahkan alat untuk kombinasi kolaboratif data Virtual dan Nyata (V+R) termasuk manajemen permintaan di laboratorium eksperimental, pendaftaran senyawa virtual dan nyata serta hasil pengujian dan pembelajaran ulang otomatis model Pembelajaran Mesin. Dengan cara ini, pelanggan dapat menanamkan ilmu baru yang inovatif ke dalam alur kerja dan proses bisnis yang sudah mapan.
