Im Februar 2020 gaben Forscher des Massachusetts Institute of Technology (MIT) die Entdeckung eines neuen Antibiotikums bekannt, das sich dank Deep Learning als wirksam gegen mehrere Bakterienarten erwies, die gegen alle anderen Antibiotika resistent sind. Vor diesem Hintergrund haben wir uns bei Alcimed die Frage gestellt, wie sich der Einzug der künstlichen Intelligenz (KI) auf die Forschung und Entwicklung (F&E) neuer Medikamente auswirken wird. F&E ist ein langwieriger und kostspieliger Prozess. Es wird geschätzt, dass Pharmaunternehmen durchschnittlich 2.6 Milliarden US-Dollar für jedes entwickelte Medikament ausgeben und dass es etwa 12 Jahre dauert, bis ein neues Medikament auf den Markt kommt. Neben Kosten- und Zeitproblemen zwingen eine Reihe von Faktoren die Pharmaunternehmen dazu, ihr F&E-Modell zu überdenken wie z.B., die Schwierigkeit, therapeutische Lösungen für seltene Krankheiten zu finden, das Auftreten von Resistenzen gegen bestimmte Medikamente, die Entwicklung der personalisierten Medizin oder die Arzneimittelpreise. Mit der Einführung digitaler Technologien in Krankenhäusern und Forschungszentren vervielfachen sich die Datenquellen, so dass die KI in der Arzneimittelforschung Fuß fassen kann.
Die Nutzung von Datenbanken zur Entdeckung von Arzneimitteln ist nichts Neues. Mit dem Aufkommen der KI könnte sich der Status quo jedoch ändern, da es nicht mehr notwendig ist, dass Experten die pathophysiologischen Mechanismen verstehen, um neue Lösungen zu erdenken und zu identifizieren. Man braucht nur genügend Daten, um die KI zu trainieren, damit sie die richtigen Zusammenhänge erkennt und neue Hinweise findet, die das menschliche Auge nicht sehen kann.
Zu den Anwendungen der KI in der Arzneimittelforschung gehören die Auswahl der am besten geeigneten therapeutischen Zielmoleküle, die Erkennung aktiver Moleküle an einem bestimmten Zielmolekül, die Ermittlung neuer Indikationen für bestehende Arzneimittel und die Optimierung der Medizinischen Chemie eines Arzneimittelkandidaten.
Durch die Entwicklung eines Modells, das chemische Moleküle mit abtötender Wirkung auf Escherichia coli Bakterien identifizieren kann, und der Entwicklung eines anschließenden Test mit einer Datenbank von etwa 6.000 Molekülen deren Wirkung auf E. coli noch nicht bekannt war, konnte das MIT eine neue Verbindung mit antibiotischer Wirkung auswählen, die zuvor noch nie entdeckt worden war. In ähnlicher Weise wendet Iktos, ein neu gegründetes französisches Unternehmen, das im Bereich der künstlichen Intelligenz für die Arzneimittelforschung tätig ist, generative Modelle auf öffentliche Datenbanken an, um neue Moleküle für ein bestimmtes Ziel oder eine bestimmte Spezifikation zu entwickeln.
Die Zeit, die für die Suche nach interessanten Molekülen oder therapeutischen Targets aufgewendet werden muss, kann mit dem Aufkommen der KI erheblich verkürzt werden, was einen ihrer größten Vorteile darstellt. Im Jahr 2019 wurden Moleküle zur Hemmung von Transmembranrezeptoren, die an der Fibrose beteiligt sind, in nur 21 Tagen mit Hilfe eines Generative Tensor Enhanced Learning Tool (GENTRL) identifiziert, das vom Biotechnologieunternehmen Insilico Medicine entwickelt wurde. Dieses Tool ist in der Lage, die Eigenschaften eines chemischen Raums zu identifizieren und zu lernen virtuell neue Moleküle aus diesem Raum zu generieren und diejenigen zu identifizieren, die den vorgegebenen Spezifikationen und dem Ziel am besten entsprechen.
Diese Zeitersparnis ist ein echter Vorteil für Pharmaunternehmen, die bereits Partnerschaften mit Start-ups eingegangen sind, die KI-Tools für die Arzneimittelentdeckung anbieten. Nach Schätzungen von Atomwise, einem auf den Einsatz von KI in der Arzneimittelforschung spezialisierten Unternehmen, könnten KI-Algorithmen die Suche nach therapeutisch interessanten Molekülen 100-mal schneller machen als herkömmliche Werkzeuge.
Auch die Forschungskosten könnten durch eine bessere Ausrichtung und Priorisierung der zu untersuchenden Moleküle gesenkt werden.
Modelle für maschinelles Lernen benötigen viele Daten, und obwohl viele Datensätze zu bestimmten Krankheiten oder Medikamenten öffentlich zugänglich sind, reichen sie nicht immer aus, um KI-Algorithmen zu füttern. Die Schlüsselfragen für die Zukunft bestehen darin, einen offeneren Zugang zu mehr Daten zu gewährleisten, fehlende Daten zu generieren und bestehende KI-Lösungen so zu optimieren, dass sie mit weniger Daten auskommen.
In diesem Zusammenhang stellen sich auch rechtliche Fragen wie der Zugang zu Patientendaten und der Einsatz von KI-Algorithmen in der Arzneimittelforschung.
Künstliche Intelligenz bietet vielfältige Möglichkeiten in der Arzneimittelentwicklung – insbesondere darin, neue therapeutische Ziele zu identifizieren und wirksame Moleküle schneller und mit größerer Erfolgschance für klinische Studien zu entwickeln als mit herkömmlichen Methoden. Trotz der wachsenden Zahl und Vielfalt an KI-Tools gibt es jedoch keine universelle Lösung, die sich auf alle Projekte gleichermaßen anwenden lässt. Die zentrale Herausforderung für Pharmaunternehmen besteht daher darin, herauszufinden, welche Technologien sich für welche Fragestellungen am besten eignen – und unter welchen Bedingungen ihr Einsatz sinnvoll ist.
Über die Autorinnen,
Axelle, Consultant in Alcimeds Healthcare Team in Frankreich
Amélie, Head of Data in Alcimeds Healthcare Team in Frankreich
Data - KI
Grund Nr. 1: Die Optimierung des Terminkalenders und der Abläufe ermöglicht eine schnellere und effizientere Organisation Datenanalyse und Künstliche Intelligenz können den Vertrieb mit ...
Data - KI
Fallbeispiel Nr. 1: Verbesserung der Therapietreue durch Behandlungserinnerungen und Medikamentenmanagement In der komplexen Welt des Gesundheitswesens ist die Einhaltung von Behandlungs- und ...
Healthcare
Herausforderung Nr. 1: das Wissen über seltene Krankheiten ausbauen Die Erforschung seltener Krankheiten wird dadurch behindert, dass die beteiligten biologischen Mechanismen nicht bekannt sind und ...