Kunstmatige intelligentie opent nieuwe grenzen in het ontwerpen van RNA-medicijnen

Kunstmatige intelligentie opent nieuwe grenzen in het ontwerpen van RNA-medicijnen

Op het gebied van de moderne geneeskunde hebben op RNA gebaseerde therapieën bewezen een veelbelovende weg te zijn, met aanzienlijke vooruitgang op het gebied van stofwisselingsziekten, oncologie en preventieve vaccins. Een recent gepubliceerd artikel inWerktuigbouwkunde‘The Future of AI-Driven RNA Drug Development’ door Yilin Yan, Tianyu Wu, Honglin Li, Yang Tang en Feng Qian onderzoekt hoe kunstmatige intelligentie (AI) een revolutie teweeg kan brengen in de ontwikkeling van RNA-medicijnen door de huidige beperkingen aan te pakken en nieuwe kansen voor innovatie te bieden.

Het artikel benadrukt het potentieel van RNA-therapieën en merkt op dat RNA-medicijnen hogere succespercentages hebben vergeleken met traditionele medicijnen. Alnylam Pharmaceuticals beweert bijvoorbeeld dat het cumulatieve overgangspercentage van RNA-interferentiegeneesmiddelen (RNAi) van klinische fase 1 naar fase 3 64,4% bedraagt, wat aanzienlijk hoger is dan het succespercentage van traditionele geneesmiddelen van 5-7%. Bovendien worden de tijdlijnen voor het ontdekken van RNA-medicijnen doorgaans gemeten in maanden, in plaats van in de jaren die nodig zijn voor traditionele medicijnen, en gaan ze gepaard met lagere kosten. Ondanks deze voordelen voldoen de huidige experimentele technieken zoals CRISPR en computationele methoden zoals RNA-sequencing echter nog steeds niet aan de eisen voor snelheid en diversiteit bij de ontwikkeling van RNA-geneesmiddelen.

Kunstmatige intelligentie staat klaar om deze leemte op te vullen. Het artikel benadrukt het vermogen van AI om parallel computing te benutten en complexe patronen uit grote hoeveelheden gegevens te leren, en daarmee de beperkingen van bestaande methoden aan te pakken. AI-gestuurde benaderingen kunnen de efficiëntie van de ontwikkeling van geneesmiddelen vergroten en nieuwe mogelijkheden openen voor het identificeren van innovatieve kandidaat-geneesmiddelen. De auteurs schetsen drie hoofdstrategieën die AI kan gebruiken om vooruitgang te boeken in de ontwikkeling van RNA-medicijnen: datagestuurde benaderingen, leerstrategiegestuurde benaderingen en diepgaande leergestuurde benaderingen.

Datagestuurde benaderingen vormen de basis door gebruik te maken van grote datasets en rule mining-technieken om betekenisvolle patronen en relaties tussen RNA-moleculen en hun structuren of biologische functies te extraheren. Op leerstrategieën gebaseerde benaderingen maken gebruik van technieken zoals causale gevolgtrekking en versterkend leren om besluitvormingsprocessen te optimaliseren. Op deep learning gebaseerde benaderingen, die hogere niveaus van complexiteit en automatisering vertegenwoordigen, maken gebruik van grote taalmodellen zoals ChatGPT om lange RNA-sequenties te analyseren en het de novo-ontwerp van functionele RNA's te ondersteunen.

Het artikel stelt zich een toekomstige workflow voor voor AI-gestuurde RNA-geneesmiddelenontwikkeling, gebaseerd op een interactief, op software gebaseerd systeem. Dit systeem zou twee belangrijke feedbacklussen hebben: een interne lus die zich richt op platformgebaseerd ontwerp om de prestaties van AI-modellen te verbeteren, en een externe lus die gegevens uit de echte wereld integreert om de ontwikkeling van geneesmiddelen voortdurend te verfijnen. De workflow zou beginnen met een uitgebreide digitalisering van RNA-gegevens, gevolgd door een gepersonaliseerd kandidaat-geneesmiddelontwerp, medicijnevaluaties, geautomatiseerde synthese en biologische experimenten voor voorlopige klinische validatie. De geselecteerde kandidaat-medicijnen zouden vervolgens worden gekoppeld aan geschikte toedieningssystemen en worden gebruikt in een online simulatie voor vroege observatie van de toedieningsdynamiek, medicijneffecten en afbraakprocessen in het menselijk lichaam.

De auteurs identificeren verschillende uitdagende onderzoeksthema's voor de nabije toekomst, waaronder uitgebreide visualisatie met hoge resolutie, gepersonaliseerde ontwikkeling van RNA-medicijnen en de ontwikkeling van een bewerkbaar platform voor het genereren van RNA. Deze vooruitgang zou kunnen leiden tot een completere en interactievere weergave van RNA-structuren en hun gedrag in biologische systemen en de ontwikkeling mogelijk maken van zeer gepersonaliseerde RNA-medicijnen die zijn toegesneden op individuele genetische profielen.

De economische en sociale voordelen van de AI-gestuurde ontwikkeling van RNA-medicijnen zijn opmerkelijk. AI-gestuurde automatisering vermindert arbeidsintensieve taken en maakt een snellere en nauwkeurigere identificatie van RNA-doelen mogelijk, wat resulteert in kostenbesparingen en versneld testen van RNA-therapieën. Naarmate het platform industrieel schaalt, zorgt het voor een consistente medicijnkwaliteit en een grotere kostenefficiëntie door middel van geoptimaliseerde, herhaalbare processen.

Het integreren van AI in de ontwikkeling van RNA-geneesmiddelen heeft het potentieel om de toekomst van therapieën te transformeren. Door gebruik te maken van de mogelijkheden van AI kunnen onderzoekers systematisch nieuwe RNA-structuren verkennen, veelbelovende kandidaat-geneesmiddelen identificeren en de pijplijn voor de ontwikkeling van geneesmiddelen versnellen, wat uiteindelijk leidt tot duurzamere en economischere ontwikkelingsmodellen met verreikende voordelen.

Bronnen: