dr Elżbieta Maria Piątkowska

Sztuczna inteligencja na dobre zadomowiła się w medycynie i naukach biologicznych, podbijając zarówno diagnostykę, jak i rozwój nowych leków czy badania kliniczne, oparte przede wszystkim na metodach laboratoryjnych.

Sztuczna inteligencja na czele innowacji biotechnologicznych

Wiele mówi się o sztucznej inteligencji (ang. Artificial intelligence, AI). Wystarczy spojrzeć na liczbę start-upów w branży biotechnologicznej, które wykorzystują AI do rozwoju swoich produktów, aby potwierdzić, że technologia ta jest już nieodłącznym elementem badań naukowych i nowoczesnej medycyny. Odgrywa także ważną rolę w projektowaniu cząsteczek – kandydatów na nowe leki, planowaniu i organizowaniu badań klinicznych oraz tworzeniu narzędzi diagnostycznych umożliwiających personalizację leczenia. Coraz więcej firm farmaceutycznych wykorzystuje bowiem sztuczną inteligencję do projektowania, testowania cząsteczek-kandydatów na nowe leki, ale również do zadań takich jak walka z epidemią SARS-CoV-2. W 2020 roku rozpoczęto badania kliniczne, którymi została objęta pierwsza cząsteczka “kandydat do bycia nowym lekiem” zaprojektowana stworzona przy użyciu AI.^[1]

Tak wiele dzieje się w tym obszarze! Dlatego warto przedstawić Wam najbardziej obiecujące technologie diagnostyczne i farmaceutyczne, które wykorzystują sztuczną inteligencję. Postaramy się oddzielić koloryzowany PR od faktów i pokazać, które rozwiązania są lub wkrótce mają szansę być przełomem w medycynie i biotechnologii.

Czym jest Sztuczna Inteligencja

Istnieje wiele definicji AI, i są one przedmiotem gorących debat. Pierwszą definicję AI przypisuje się Alanowi Turingowi.^[2] W 1950 roku Alan Turing jako pierwszy rozpoczął debatę na temat natury sztucznej inteligencji i zasugerował, że komputer można nazwać inteligentnym, jeśli potrafi naśladować ludzkie reakcje. Turing opracował również pierwszy test sprawdzający sztuczną inteligencję komputera, nazywany Testem Turinga, w którym człowiek prowadzi rozmowę z kilkoma uczestnikami, jeśli człowiek nie jest w stanie określić, który z uczestników jest komputerem, wówczas uznaje się, że komputer przeszedł test pozytywnie.

Obecnie AI traktuje się jako dziedzinę informatyki, która obejmuje rozwój systemów komputerowych zdolnych do wykonywania zadań normalnie wymagających ludzkiej inteligencji, takich jak: percepcja wzrokowa, rozpoznawanie i interpretowanie obrazów i mowy, a nawet podejmowanie decyzji. Sztuczna inteligencja najprościej definiowana jest jako zdolność maszyn do wykonywania autonomicznych zadań wymagających inteligencji i samodzielnego myślenia, czyli posiadających cechy ludzkiego umysłu. Uczenie maszynowe (ang. Machine learning, ML) umożliwia algorytmom naukę zadań bez programowania tego jednego konkretnego. Deep Learning (DL) uznawane jest za dziedzinę ML obejmującą algorytmy budowane na wzór ludzkich sieci neuronowych. Specyfika i popularność algorytmów DL polega na tym, że są one konstruowane w oparciu o duże sieci neuronowe i trenowane na dużej ilości danych, co sprawia, że są znacznie bardziej efektywne i wydajne niż algorytmy ML. ^[3]Inteligentne algorytmy wykorzystują techniki DL i ML do identyfikacji wzorów ze zbiorów danych. W praktyce, w medycznym świecie, AI stara się nie tylko przyspieszyć diagnozowanie chorób czy opracowywanie nowych leków, ale także uczynić te procesy bardziej opłacalnymi.

AI w praktyce: nowoczesne algorytmy w służbie medycyny

Zarówno duże firmy, takie jak IBM Watson Health czy Google, jak i małe startupy, takie jak indyjski Artelus, amerykański Roam Analytics czy polski MNM Diagnostics, wykorzystują AI do szerokiej gamy zastosowań, poczynając od diagnostyki obrazowej, diagnostyki onkologicznej opartej na analizie całego genomu pacjenta, na optymalizacji wyników badań pacjentów z wykorzystaniem dokumentacji medycznej a na projektowania badań klinicznych in silico kończąc.

Liczba istniejących już firm wykorzystujących AI w dziedzinie rozwoju testów diagnostycznych, leków i szczepionek odzwierciedla różnorodność zastosowań tej technologii: jest ich wiele i z dnia na dzień przybywa. Udało nam się wybrać siedmiu światowych faworytów. Proszę bardzo!

Paige

Jednym z najpopularniejszych zastosowań AI jest analiza klinicznych danych obrazowych w celach diagnostycznych. Popularność tych algorytmów jest związana z ciągle rosnącą liczbą pacjentów wymagających specjalistycznej diagnostyki oraz braki kadrowe wśród lekarzy specjalizujących się w histopatologii. Wiele firm wykorzystuje AI w analizie danych obrazowych, jednak nowojorska firma Paige zdecydowanie wyróżnia się na tle konkurencji. Ich cyfrowa platforma, FullFocus™ przeznaczona do analiz patologicznych i diagnostyki pierwotnych zmian wielu typów nowotworowych, została zatwierdzona przez Amerykańską Agencję Żywności i Leków (ang. Food and Drug Agency, FDA) oraz otrzymała tzw. Premarket notification 510(k). W badaniach nad pacjentami cierpiącymi na raka prostaty wykazano, że platforma FullFocus™ osiąga czułość na poziomie 98,9%, a swoistość wynosi 93,3%.

Turbine.ai

Ciekawe rozwiązanie w obszarze rozwoju nowych leków nowotworowych stworzyła węgierska firma Turbine.ai. To nowatorski, cyfrowy model komórki, który umożliwia wielopłaszczyznową symulację odpowiedzi na dany lek. To atrakcyjna opcja szczególnie dla firm farmaceutycznych, w celu sprawdzenia cząsteczki-kandydata na lek przed wprowadzeniem jej w kosztowne początkowe fazy badań klinicznych. ^[4]

Atomwise

Doskonałym przykładem zaawansowanej technologii AI w projektowaniu nowych cząsteczek chemicznych jako potencjalnych kandydatów na leki jest algorytm AtomNet. Zbudowany przez firmę Atomwise algorytm jest oparty na sieciach neuronowych i pozwala przewidzieć sposób wiązania małych cząsteczek chemicznych z białkami, na podstawie analizy tysięcy struktur białek i wiązań. Małe cząsteczki oznaczają tutaj niewielkie związki chemiczne o masie poniżej 900 Daltonów. Taka technologia umożliwia dokładne określenie tego, który kandydat na lek (mała cząsteczka chemiczna) ma szansę być najbardziej efektywny.

In Silico Medicine

Firma z Hong Kongu, In Silico Medicine, wykorzystuje zaawansowane algorytmy DL kompleksowo: zarówno do poszukiwania nowych celów terapeutycznych, projektowania de novo nowych “kandydatów na leki” (dzięki zautomatyzowanej platformie AI), jak i do przewidywania skuteczności badań klinicznych. Działania te przyniosły efekty w postaci “kandydata na lek” do zastosowania w idiopatycznym włóknieniu Płuc (IPF) w całości zaprojektowanego przez AI, który osiągnął stadium leku – przedklinicznego, a nawet przeszedł pozytywnie przedkliniczne badania in vitro i in vivo. ^[5]

Trials.ai

Jeśli chodzi o badania kliniczne, obecnie wciąż nie jest możliwe symulowanie wszystkich ich etapów. Jest to jednak kwestią czasu. Zarówno naukowcy, jak i firmy biotechnologiczne podejmują próby stworzenia algorytmów do optymalizacji poszczególnych etapów badań klinicznych. Firma Trials.ai tworzy algorytmy AI pozwalające na przeprowadzanie badań klinicznych in silico. Ich autorski Study Optimizer, stworzony w oparciu o algorytmy przetwarzania języka naturalnego (ang. Natural Language Processing, NLP), powstałe z połączenia AI i językoznawstwa, pozwala na ocenę czynników ryzyka i dostarczanie zaleceń dotyczących optymalizacji badań klinicznych. Umożliwia to lepsze dobranie grup pacjentów, dokładniejsze dopasowanie badanego “kandydata na lek” do pacjentów oraz na skuteczniejsze zarządzanie badaniami klinicznymi.^[6]

Babylon Health

Kolejnym przykładem popularnego zastosowania AI w praktyce medycznej są kompleksowe usługi w aplikacji na smartfona, umożliwiające szybki kontakt i zdalną konsultację z lekarzem 24-godziny na dobę. – Tak działa popularna aplikacja firmy Babylon Health uruchomiona w Wielkiej Brytanii w 2013, zbudowana na platformie AI. Umożliwia: szybki kontakt z lekarzem, zdalną diagnostykę symptomów oraz wystawienie recept na leki. Pomimo kontrowersji dotyczących bezpieczeństwa danych i jakości zdalnej diagnostyki, aplikacja Babylon Health cieszy się ogromną popularnością zwłaszcza w dobie pandemii SARS-Cov 2, a nawet jest już dostępna w Stanach Zjednoczonych, Arabii Saudyjskiej, Kanadzie i Rwandzie. ^[7]

Recursion Pharmaceutical

Amerykański startup, Recursion Pharmaceuticals, stosuje AI do analiz zbiorów obrazowych danych klinicznych w celu odkrywania nowych, przełomowych metod leczenia chorób rzadkich. W przeciwieństwie do wielu firm zajmujących się poszukiwaniem kandydatów na leki z wykorzystaniem sztucznej inteligencji, Recursion Pharmaceuticals łączy możliwości analizy in silico z eksperymentalną walidacją wyników obliczeń.

Agencje dopuszczające leki do obrotu i fundusze opieki zdrowotnej wychodzą naprzeciw tym trendom; szacuje się, że w ciągu ostatnich 10 lat, amerykańska FDA zaakceptowała prawie 64 technologie medyczne oparte na algorytmach AI.^[8] Jeden z takich zatwierdzonych przez FDA algorytmów AI opartych na DL, automatyzuje i przyspiesza analizę wyników radiologicznych, redukując liczbę pominiętych detekcji nawet o 70%.

Pomimo popularności AI w medycynie i biologii, stosowanie niektórych typów AI, takich jak sieci neuronowe, napotyka na trudności spowodowane brakiem możliwości interpretacji wyników co znacznie utrudnia szerokie zastosowanie sieci neuronowych w biologii, gdzie interpretacja wyników jest najważniejsza. Grupa naukowców z Uniwersytetu Stanforda oraz Politechniki w Monachium rozwiązała problem interpretacji wyników pochodzących z sieci neuronowych. Opracowali oni zaawansowany algorytm AI oparty na sieciach neuronowych umożliwiający identyfikację sekwencji regulacyjnych zakodowanych w DNA. Zespół odkrył, że sieć neuronowa wytrenowana na interakcjach białko-DNA pozwala na identyfikację wzorów regulatorowych sekwencji DNA w całym genomie.^[9] Pozwala to na zrozumienie ich organizacji i regulacji. Ten eksperyment to pierwsze zastosowanie tzw. interpretowalnego AI w biologii, i wszystko wskazuje, że nie ostatni.

AI umożliwia optymalizację wysokich kosztów produkcji leków i nowych technologii medycznych

Optymalizacja procesów w celu obniżenia kosztów produkcji nowych leków czy testów diagnostycznych to jedna z ważniejszych przyczyn popularności AI w przemyśle biotechnologicznym i farmaceutycznym. Technologia ta pomaga firmom przetwarzać ogromne ilości danych biologicznych potrzebnych do diagnostyki, oraz badań klinicznych, skracając w ten sposób proces opracowywania testu diagnostycznego lub wprowadzenia leku na rynek. Może również pomóc w zrozumieniu mechanizmów choroby, określeniu biomarkerów, generowaniu danych, modeli lub nowych kandydatów na leki, projektowaniu lub przeprojektowywaniu leków, tworzeniu i prowadzeniu eksperymentów przedklinicznych i klinicznych, oraz doborze pacjentów do badań klinicznych. Coraz więcej firm oferuje projektowanie tzw. Wirtualnych badań klinicznych z zastosowaniem AI, Wymieniona wcześniej firma In Silico Medicine stworzyła wirtualny program przewidujący sukces badań klinicznych, w oparciu o ich autorskie algorytmy DL.Brytyjska firma Antidote stworzyła platformę DL, która umożliwia dopasowanie pacjentów do określonych badań klinicznych jest obecnie stosowana przez firmę Merck do selekcji nowych kandydatów na leki i przyspieszenia badań klinicznych. Z kolei firma Deep 6 AI z siedzibą w Kalifornii stosuje techniki NLP do lepszego dopasowania pacjentów do badań klinicznych. Technologia Deep 6 AI została wykorzystana przez szpital Cedar Sinai do selekcji 16 pacjentów kwalifikujących się do badania klinicznego w czasie krótszym niż godzina.^[10]

Wyżej wymienione zastosowania AI i NLP w przyspieszeniu i optymalizacji badań klinicznych coraz częściej stosowane przez duże firmy farmaceutyczne wskazują na istotną rolę AI w rozwiązywaniu dwóch najważniejszych problemów: rosnącymi kosztami i niskimi wskaźnikami sukcesu. Należy się spodziewać, że w niedalekiej przyszłości coraz więcej projektów będzie prowadzonych z pomocą sztucznej inteligencji.

Przyszłość SI w medycynie

Algorytmy oparte na sztucznej inteligencji są integralną częścią nauk biologicznych, farmacji i opieki zdrowotnej. AI może zostać katalizatorem głębokiej transformacji nauk biologicznych i medycyny, oferując szereg korzyści, w porównaniu z tradycyjnie rozumianą bioinformatyką. W miarę jak algorytmy stają się bardziej precyzyjne i dokładne, zaczynają mieć realny wpływ na procesy do dziś opierające się wyłącznie na analizach laboratoryjnych, umożliwiając szybką i dokładną diagnostykę, poszukiwanie nowych leków oraz procesy opieki i leczenia pacjentów. ^[11]

REFERENCES

https://medicalfuturist.com/simple-algorithms-vs-a-i/

https://medicalfuturist.com/a-physicians-visual-guide-to-artificial-intelligence/

1. https://www.outsourcing-pharma.com/Article/2020/01/30/AI-developed-drug-goes-to-trial ↑
2. https://www.brookings.edu/research/what-is-artificial-intelligence/ ↑
3. https://machinelearningmastery.com/what-is-deep-learning/ ↑
4. https://pharmaphorum.com/views-and-analysis/simulated-cell-cancer-drug-discovery/ ↑
5. https://www.fiercebiotech.com/medtech/breaking-big-pharma-s-ai-barrier-insilico-medicine-uncovers-novel-target-new-drug-for ↑
6. https://www.nature.com/articles/d41586-019-02871-3 ↑
7. https://medicalfuturist.com/top-artificial-intelligence-companies-in-healthcare/ ↑
8. https://medicalfuturist.com/fda-approved-ai-based-algorithms/ ↑
9. Avsec, Ž., Weilert, M., Shrikumar, A. et al. Base-resolution models of transcription-factor binding reveal soft motif syntax. Nat Genet 53, 354–366 (2021). ↑
10. https://emerj.com/ai-sector-overviews/ai-machine-learning-clinical-trials-examining-x-current-applications/ ↑
11. https://www.nature.com/articles/s41746-020-00333-z ↑

Obrazek z serwisu Freepik.

Fakty i Mity Genetyki tworzone są przez pasjonatów, specjalistów, naukowców i lekarzy. Ten artykuł czytasz za darmo, bez reklam, bez spamu. Doceń naszą pracę i postaw nam wirtualną kawę 🙂 Dziękujemy! – Wasza Redakcja FiMG