Zdĺhavý a nákladný proces identifikácie molekúl pre nové onkologické liečivá, ktorý bežne trvá vyše dvoch rokov, vyriešila japonská biofarmaceutická spoločnosť integráciou generatívnej AI do predklinického výskumu.
Výskum onkologických liečiv v Japonsku
Stredne veľký biofarmaceutický podnik v Japonsku čelil kritickému tlaku na efektivitu pri hľadaní účinných inhibítorov pre špecifický onkologický cieľ. Klasické empirické metódy v laboratóriách generovali vysoké finančné straty a hrozbu, že patentová ochrana vyprší skôr, než sa liek dostane na trh. Vedenie preto rozhodlo o nasadení pokročilých generatívnych modelov na urýchlenie počiatočnej fázy vývoja.
Ako generatívna AI funguje v procese dizajnu molekúl
Výskumný tím prepojil platformu Chemistry42 od spoločnosti Insilico Medicine s cloudovou službou NVIDIA BioNeMo. Tento integrovaný systém funguje na princípe generatívnych hlbokých neurónových sietí a difúznych modelov. Proces začína definovaním cieľového proteínu zodpovedného za rast nádorových buniek. Algoritmy následne analyzujú obrovské chemické knižnice a generujú úplne nové, predtým nesyntetizované molekulárne štruktúry.
Generatívne modely v platforme Chemistry42 využívajú hlboké posilňované učenie na navrhovanie molekúl, ktoré spĺňajú špecifické cieľové profily. Systém generuje molekulárne štruktúry atóm po atóme, pričom okamžite predpovedá ich fyzikálno-chemické vlastnosti. Integrácia s NVIDIA BioNeMo umožňuje využitie pokročilých modelov vytrénovaných na proteínových sekvenciách a chemických štruktúrach vo formáte SMILES.
Tento prístup nahrádza tradičný skríning, ktorý vyžaduje fyzické testovanie státisícov zlúčenín. Algoritmy dokážu simulovať väzbovú afinitu k onkologickému terču v priebehu niekoľkých hodín. Výskumníci tak získavajú presnú mapu interakcií a môžu sa zamerať len na syntézu tých molekúl, ktoré vykazujú najvyššiu pravdepodobnosť úspechu. BioNeMo navyše optimalizuje výpočtový výkon v cloude, čo umožňuje paralelné spracovanie masívnych dátových súborov bez nutnosti vlastniť lokálnu superpočítačovú infraštruktúru.
Výsledky: Úspora času aj laboratórnych nákladov
Prechod z empirického výskumu na prediktívny priniesol prelomové metriky. Tradičný cyklus navrhovania, syntézy a testovania sa zvyčajne opakuje v desiatkach kôl, pričom každé kolo trvá týždne až mesiace. Vďaka generatívnym modelom sa počet týchto cyklov zredukoval na minimum. Kandidátska zlúčenina bola identifikovaná a validovaná už za 6 mesiacov, čo predstavuje 75 % úsporu času oproti praktickému priemeru 24 mesiacov.
Zníženie nákladov o 40 % na počiatočný výskum priamo súvisí s redukciou laboratórnych testov. Namiesto tisícov reaktantov a drahých biologických testov firma nakúpila a syntetizovala len úzky okruh vybraných zlúčenín. Táto úspora kapitálu umožnila alokovať zdroje do skorých fáz in vivo testovania a toxikologických štúdií, čím sa opäť urýchlil celkový čas uvedenia lieku na trh.
Príklad z praxe
- Firma: Stredne veľká biofarmaceutická spoločnosť, Japonsko
- AI riešenie: Insilico Medicine Chemistry42 a NVIDIA BioNeMo
- Problém: Zdĺhavý a nákladný proces identifikácie a optimalizácie molekúl pre nový onkologický liek, ktorý bežne trval vyše dvoch rokov s vysokým rizikom neúspechu.
- Výsledok: Skrátenie fázy identifikácie kandidátskej zlúčeniny z 24 na 6 mesiacov (úspora času o 75 %) a zníženie nákladov na počiatočný laboratórny výskum o 40 %.
Strategický význam pre farmaceutický sektor
Úspech tohto projektu demonštruje, že generatívna chémia už nie je len teoretickým konceptom, ale reálnym nástrojom na trhu. Pre stredne veľké farmaceutické firmy, ktoré nedisponujú neobmedzenými rozpočtami globálnych gigantov, predstavuje táto cesta spôsob, ako konkurovať rýchlosťou a efektivitou.
Investícia do platforiem riadených algoritmami eliminuje najrizikovejšiu časť výskumu a vývoja. Firmy, ktoré dokážu integrovať strojové učenie do svojich laboratórnych procesov, získavajú strategickú výhodu v podobe rýchlejšieho podania patentových prihlášok a skoršieho vstupu do klinických skúšok. V prostredí, kde každý mesiac oneskorenia znamená stratu miliónov eur na budúcich tržbách, sa prechod na výskum poháňaný generatívnymi algoritmami stáva nevyhnutným štandardom pre prežitie na trhu.