Ускорение открытия лекарств с AI-ориентированным генеративным дизайном терапевтик

AI-ориентированный движок идеации для биофарма

Доставка нового терапевтического средства пациентам — дорогостоящее, времязатратное предприятие. Средняя общая стоимость разработки и вывода лекарства на рынок составляет примерно $3 млрд, охватывая 12–14 лет. Фаза открытия وحدها потребляет около трети этого бюджета и обычно требует синтеза тысяч молекул и до пяти лет для производства единственного преклинического лид-кандидата. Более того, только около 10 % соединений, входящих в фазу I испытаний, достигают регуляторного одобрения.

Искусственный интеллект (ИИ) обещает ускорить эту фазу открытия и драматически снизить затраты. Интегрируя передовую машинную обучение модели с мощными облачными вычислениями, ИИ может помочь ученым проектировать более качественные соединения, тем самым снижая клиническую неудачу.

Biovia Generative Therapeutics Design (GTD)

GTD автоматизирует виртуальное создание, тестирование и отбор новых малых молекул. Используя передовые AI/ML, облачная платформа направляет ученых в выборе следующих соединений для синтеза, оптимизируя R&D выход и сокращая таймлайны разработки.

Активное обучение

Активное обучение смешивает виртуальное моделирование с реальной экспериментацией для эффективной идентификации оптимальных решений. В открытии малых молекул-лидов, команда начинает с начальной модели, построенной из ограниченных аналитических данных — часто всего нескольких десятков соединений. Модель предлагает новых кандидатов, расширяющих датасет. Последующий синтез и тестирование кормят новые результаты обратно в модель, которая переобучается итеративно. Этот цикл снижает количество циклов, необходимых для сходимости на высокопотенциальном лиде, ускоряя общий процесс открытия.

Human-in-the-Loop AI (Augmented Intelligence)

GTD генерирует тысячи виртуальных молекул, исследуя огромное химическое дизайнерское пространство. Поскольку оптимизация лида — многозадачная проблема, система оценивает свойства, такие как потенция, растворимость, гепатотоксичность, биодоступность, метаболическая стабильность, синтетическая доступность и интеллектуальные собственности соображения. Лаборанты химики поставляют экспертный инсайт, дополняющий машинные предсказания, управляя последующими дизайнерскими итерациями. Эта коллаборация — то, что мы называем «расширенным интеллектом» — движет более быстрыми, точными результатами.

Lab-in-the-Loop AI

Валидация в лаборатории критична. Lab-in-the-loop AI интегрирует неполупредвзятые машинно-обучающие предсказания с hands-on экспериментацией, используя экспертизу ученых. Платформа может учитывать доступные реактивы от сторонних вендоров или синтетических партнеров, помогая организациям минимизировать turnaround время и стоимость, будь работа внутренняя или с контрактными исследовательскими организациями (CRO). Непрерывное тестирование поставляет свежие данные, дальнейшее уточняющие предсказательные модели, расширяя исследуемое химическое пространство до тех пор, пока медицинский химик не идентифицирует соединения, встречающие целевой продуктовый профиль (TPP).

Моделирование и симуляция

Комплементарные вычислительные методы — такие как фармакофорный скоринг, молекулярный докинг и свободно-энергетическая пертурбация (FEP) — предоставляют механистические инсайты, которые были бы запретительно дорогими или времязатратными для получения экспериментально. Автоматизируя эти симуляции внутри генеративного пайплайна, ученые могут оценивать 3D взаимодействия между кандидатом и болезнь-ассоциированным белком, ускоряя процесс принятия решений.

Кейс-стади: История успеха крупной US фармакомпании

Используя GTD, крупная US фармацевтическая компания построила надежные модели машинного обучения из начального набора проектных соединений. Система затем предложила новый ряд кандидатов для синтеза и тестирования. Учась у уникальных структурных мотивов проекта, модели выявили ценные, но атипичные скаффолды. Медицинские химики ограничили дизайн для сохранения ключевых признаков при исследовании суженного химического пространства, давая соединения с знакомыми синтетическими маршрутами и улучшенным TPP.

Результат: Примерно 80 % системно-сгенерированных соединений соответствовали предсказанному профилю свойств, и одно соединение достигло полного TPP. Химики сообщили, что большинство предложений были вдохновляющими — структурно похожими на существующие кандидаты — и что подмножество представляло genuinely новые скаффолды, которые не возникли бы через конвенциональные методы. Это демонстрирует реальную ценность GTD в расширении фронтира исследования.

Ключевые выводы

1. Эффективный движок идеации — GTD поставляет лаборантов химиков свежими, данные-ориентированными идеями, поощряя исследование за пределами традиционных поисковых пространств и улучшая химическую интуицию.
2. Ускоренная разработка лида — Приоритизируя самые перспективные кандидаты, GTD улучшает молекулярное качество, снижает экспериментальные затраты и сокращает таймлайны открытия, потенциально экономя миллионы долларов.
3. Синергия ученых и ИИ — Коллаборативный цикл между химиками и алгоритмами дает превосходные результаты; ученые движут интуицию, пока ИИ обрабатывает крупномасштабное обнаружение паттернов.

Финальная мысль

Генеративные дизайнерские инструменты достигают своего полного потенциала, когда интегрированы в сквозной рабочий процесс. Biovia расширяет свою Virtual + Real (V+R) платформу для включения управления лабораторными запросами, двойной регистрации виртуальных и реальных соединений, захвата результатов тестов и автоматизированной переобучения моделей. Внедряя эти возможности в существующие процессы, клиенты могут использовать передовую науку без нарушения установленных рабочих процессов.