Umjetna inteligencija otvara nove granice u dizajnu RNA lijekova

Umjetna inteligencija otvara nove granice u dizajnu RNA lijekova

U području moderne medicine, terapije temeljene na RNA pokazale su se obećavajućim putem, sa značajnim napretkom u metaboličkim bolestima, onkologiji i preventivnim cjepivima. Nedavno objavljen članak uStrojarstvo“Budućnost razvoja RNA lijekova vođenih umjetnom inteligencijom” autora Yilin Yan, Tianyu Wu, Honglin Li, Yang Tang i Feng Qian istražuje kako umjetna inteligencija (AI) može revolucionirati razvoj RNA lijekova rješavanjem trenutnih ograničenja i pružanjem novih prilika za inovacije.

U članku se ističe potencijal RNA terapija i napominje da RNA lijekovi imaju veće stope uspjeha u usporedbi s tradicionalnim lijekovima. Na primjer, Alnylam Pharmaceuticals tvrdi da kumulativna stopa prijelaza lijekova za interferenciju RNA (RNAi) iz kliničke faze 1 u fazu 3 doseže 64,4%, što je znatno više od stope uspješnosti tradicionalnih lijekova od 5-7%. Osim toga, rokovi otkrivanja RNA lijekova obično se mjere mjesecima, a ne godinama potrebnim za tradicionalne lijekove, te su povezani s nižim troškovima. Međutim, unatoč ovim prednostima, trenutne eksperimentalne tehnike kao što je CRISPR i računalne metode kao što je RNA sekvenciranje još uvijek ne zadovoljavaju zahtjeve za brzinom i raznolikošću u razvoju RNA lijekova.

Umjetna inteligencija je spremna popuniti ovu prazninu. U članku se ističe sposobnost umjetne inteligencije da iskoristi paralelno računanje i nauči složene obrasce iz velikih količina podataka, čime se rješavaju ograničenja postojećih metoda. Pristupi vođeni umjetnom inteligencijom mogu povećati učinkovitost razvoja lijekova i otvoriti nove prilike za prepoznavanje inovativnih kandidata za lijekove. Autori ističu tri glavne strategije koje umjetna inteligencija može koristiti za poticanje napretka u razvoju lijekova za RNK: pristupe vođene podacima, pristupe vođene strategijom učenja i pristupe vođene dubokim učenjem.

Pristupi koji se temelje na podacima pružaju temelj korištenjem velikih skupova podataka i tehnika rudarenja pravila za izdvajanje smislenih uzoraka i odnosa između molekula RNK i njihovih struktura ili bioloških funkcija. Pristupi vođeni strategijom učenja koriste tehnike kao što su uzročno zaključivanje i učenje s potkrepljenjem kako bi optimizirali procese donošenja odluka. Pristupi temeljeni na dubokom učenju, koji predstavljaju više razine složenosti i automatizacije, koriste velike jezične modele kao što je ChatGPT za analizu dugih RNA sekvenci i podržavaju de novo dizajn funkcionalnih RNA.

Članak zamišlja budući tijek rada za razvoj RNA lijekova vođen umjetnom inteligencijom koji se temelji na interaktivnom sustavu temeljenom na softveru. Ovaj bi sustav imao dvije ključne povratne sprege: unutarnju petlju koja se fokusira na dizajn temeljen na platformi kako bi se poboljšala izvedba modela umjetne inteligencije i vanjsku petlju koja integrira podatke iz stvarnog svijeta za kontinuirano usavršavanje razvoja lijekova. Tijek rada započeo bi sveobuhvatnom digitalizacijom podataka RNA, nakon čega bi uslijedio personalizirani dizajn kandidata za lijekove, evaluacija lijekova, automatizirana sinteza i biološki eksperimenti za preliminarnu kliničku validaciju. Odabrani kandidati za lijekove zatim bi se uskladili s odgovarajućim sustavima za isporuku i koristili u online simulaciji za rano promatranje dinamike isporuke, učinaka lijeka i procesa razgradnje u ljudskom tijelu.

Autori identificiraju nekoliko izazovnih istraživačkih tema za blisku budućnost, uključujući sveobuhvatnu vizualizaciju visoke rezolucije, personalizirani razvoj lijekova za RNA i razvoj platforme za generiranje RNA koja se može uređivati. Ovaj napredak mogao bi dovesti do potpunijeg i interaktivnijeg prikaza RNA struktura i njihovog ponašanja u biološkim sustavima te omogućiti razvoj visoko personaliziranih RNA lijekova skrojenih prema individualnim genetskim profilima.

Ekonomske i društvene koristi razvoja RNA lijekova vođenog umjetnom inteligencijom su izvanredne. Automatizacija vođena umjetnom inteligencijom smanjuje radno intenzivne zadatke i omogućuje bržu i precizniju identifikaciju RNA ciljeva, što rezultira uštedom troškova i ubrzanim testiranjem RNA terapija. Kako se platforma industrijsko skalira, ona osigurava dosljednu kvalitetu lijeka i veću troškovnu učinkovitost putem optimiziranih, ponovljivih procesa.

Integracija umjetne inteligencije u razvoj RNA lijekova ima potencijal transformirati budućnost terapije. Iskorištavanjem sposobnosti umjetne inteligencije, istraživači mogu sustavno istraživati ​​nove strukture RNK, identificirati obećavajuće kandidate za lijekove i ubrzati razvojni tok lijekova, što u konačnici dovodi do održivijih i ekonomičnijih razvojnih modela s dalekosežnim prednostima.

Izvori: