Alex Zhavoronkov, CEO von Insilico Medicine, einem Startup, das mithilfe künstlicher Intelligenz potenzielle Medikamente generiert, wurde kürzlich von einem Partner seines Pharmaunternehmens herausgefordert. Sein Team würde sehen, wie schnell Insilicos KI neue Moleküle identifizieren konnte, die an ein Protein binden, das mit Gewebenarben verbunden ist. Dann stellten sie die Moleküle auf die Probe und synthetisierten einige von ihnen im Labor, um zu sehen, ob die KI sich auf etwas befand oder nur träumte.
Warum die Eile? Nach einer Schätzung kostet die Markteinführung eines neuen Arzneimittels jetzt 2, 6 Milliarden US-Dollar, und Pipelines werden nur langsamer und teurer. Es besteht die Hoffnung - und der Hype -, dass die KI dabei helfen könnte, diese Zahl zu verringern, indem sie die Zeit und den Arbeitsaufwand verkürzt, bevor ein Medikament mit klinischen Studien beginnt. Die Idee ist, dass die gleichen Techniken, die verwendet werden, um realistische Deepfakes zu generieren und geschickt zu spielen, in der Lage sein könnten, die komplexen Regeln des Wirkstoffdesigns zu entschlüsseln und Moleküle von Grund auf neu zu generieren.
Es gibt Anzeichen, dass AI Potenzial hat. Im Dezember stellte Alphabets DeepMind AlphaFold vor, einen Algorithmus zur Vorhersage der Proteinfaltung - ein wichtiger Schritt zur Identifizierung potenzieller Krankheitsziele. Es hat die langjährige Konkurrenz in der Pharmaindustrie deutlich geschlagen. Dennoch bleiben einige Experten skeptisch, ob sich AI Moleküle ausdenken kann, die sowohl effektiv als auch wirklich praktisch sind.
Am Montag erhielten die AI-Drogenforscher eine Bestätigung mit den Ergebnissen von Zhavoronkovs Herausforderung, die in Nature Biotechnology veröffentlicht wurden. Das Team hat zusammen mit Mitarbeitern der University of Toronto 21 Tage gebraucht, um 30.000 Designs für Moleküle zu entwickeln, die auf ein an der Fibrose beteiligtes Protein abzielen. Sie synthetisierten sechs im Labor, von denen vier in ersten Tests vielversprechend waren. Zwei wurden dann in Zellen getestet, und der vielversprechendste bei Mäusen. Das Team stellte fest, dass das AI-generierte Molekül sowohl gegen das Zielprotein wirksam ist als auch Eigenschaften aufweist, die als „drogenartig“angesehen werden können.
KI-Spezialisten, die diese Art von echter Biologie betreiben, haben es verdient, sagt Mohammed AlQuraishi, ein Systembiologe in Harvard, der nicht an der Forschung beteiligt war. "Das große Neue daran ist, diese Vorhersagen zu testen", sagt er. Viele Leute entwerfen Pipelines für maschinelles Lernen, um virtuelle Moleküle herzustellen, aber relativ wenige haben Forschungsergebnisse veröffentlicht, die die Arbeit im Labor validieren. Laut AlQuraishi geht die Arbeit von Insilico noch einen Schritt weiter und zeigt, dass die KI so angepasst werden kann, dass Moleküle erzeugt werden, die sich nicht nur an ein bestimmtes Ziel binden, sondern sich auch in Zellen und Tieren gut verhalten. Das ist für jeden potenziellen Medikamentenkandidaten notwendig.
"Genau das will Pharma sehen", sagt Zhavoronkov. Die günstigen Ergebnisse bei Zellen und Mäusen waren eine angenehme Überraschung; Er hatte erwartet, dass die AI-generierten Moleküle weitere Optimierungen und Berechnungen erfordern würden, bevor sie eines mit Potenzial finden würden.
"Es ist cool zu sehen, wie KI ein bisschen so trainiert wird, wie ein Medizinalchemiker denkt", sagt Adam Renslo, Professor für chemische Biologie an der Universität von Kalifornien-San Francisco, der ebenfalls nicht an der Forschung beteiligt war. Bei der computergestützten Wirkstoffentdeckung wurden traditionell Brute-Force-Methoden eingesetzt, um Millionen potenzieller Strukturen mit begrenzter Rentabilität zu untersuchen. "Dieser Algorithmus beinhaltet einen kreativen Prozess, keinen Data Mining-Prozess", sagt er.
Die AI-generierten Moleküle scheinen neu zu sein, sagt Renslo, und manche könnten sogar als kreativ im Design bezeichnet werden. Aber das Papier ist am besten als Proof-of-Concept zu betrachten, stellt er fest. Die Moleküle sind kein Slam Dunk und es würde vielleicht ein Jahr Laborarbeit dauern, um sie zu verfeinern - was bedeutet, dass die KI einem großen Pharmaunternehmen nicht viel Zeit sparen würde, wenn überhaupt. Während das System beeindruckend viele Kandidatenmoleküle erzeugte, arbeitete es in einer Nische, in der es viele Daten gibt, aus denen das System lernen kann. "Es ist ein geeigneter Ausgangspunkt, aber für die KI wäre es schwieriger, ein Problem mit der Wirkstoffentdeckung zu lösen, bei dem keine Daten vorliegen", sagt Renslo.
Trotzdem ist es ein Ausgangspunkt. Laut AlQuraishi können Algorithmen ein Team von Chemikern noch nicht übertreffen. Die Studie zeigt, wie KI schnell vielversprechende Anhaltspunkte für menschliche Forscher schaffen kann.
Weiter lesen

Das Neueste über künstliche Intelligenz, vom maschinellen Lernen bis zur Bildverarbeitung und mehr
Die Methode von Insilico baut auf zwei Formen von KI auf: generative kontradiktorische Netzwerke (GANs) und verstärkendes Lernen. Es untersucht frühere Forschungen und Patente nach Molekülen, von denen bekannt ist, dass sie gegen bestimmte Wirkstoffe und andere Strukturen wirksam sind. Die Idee ist, neuartige, aber logische Strukturen und solche, die im Labor synthetisiert werden könnten, zu priorisieren. Das ähnelt dem, was ein medizinischer Chemiker tun könnte, wenn er die Literatur liest und molekulare Komponenten zusammensetzt. Aus den 30.000 möglichen Entwürfen wählte das Team 40 aus, die eine Reihe von Strukturen darstellten, von denen sechs zusammengestellt wurden.
Die Validierung in der realen Welt ist in einem Bereich wichtig, in dem ein Gefühl von nicht realisiertem Hype herrscht. Es gibt noch keine AI-generierten Medikamente in der Nähe des Marktes. Systeme wie AlphaFold sind zwar auffällig, zeigen aber fortschrittliche Techniken, die für Forscher aufregend sind, aber wahrscheinlich keine Ergebnisse liefern, die schnell in neue Medikamente umgewandelt werden können. Im April hatte das Feld einen großen Misserfolg, als IBM den Verkauf seines Systems „Watson for Drug Discovery“einstellte, das medizinische Literatur und genetische Daten nach übersehenen Heilmitteln absuchen wollte. Das Produkt hatte angeblich für seine ersten Kunden zu wenig geliefert.
