Tekoäly tuo lääkekehitykseen paljon mahdollisuuksia molekyylin valinnasta lääkkeen säilyvyyteen

Lääkeyhtiöt ja startup-yritykset ovat lähteneet soveltamaan tekoälyä lääkekehityksen eri vaiheisiin. Uudella teknologialla on potentiaalia lyhentää 10–12 vuotta kestäviä lääkekehityshankkeita, joihin voi upota kaksikin miljardia euroa. Lisäksi yli 90 prosenttia hankkeista epäonnistuu.

Viisivuotiaan startup-yrityksen Recursion Pharmaceuticalsin toimitusjohtaja Chris Gibson kertoi Slushissa yrityksen kehittävän lääkkeitä täysin automatisoidussa laboratoriossa, missä tehdään noin 100 000 koetta viikossa. Yrityksen tavoitteena on päästä tahtiin, jossa koneäly analysoi huimat viisi miljoonaa lääketieteellistä kuvaa viikossa.

– Ihmisen biologia on uskomattoman kompleksinen. Lääkekehityksessä tutkijat yhä työskentelevät kymmenen vuoden ajan yhden hypoteesin ja yhden sairauden parissa. Voi olla niin, että jotkut lääkkeet ovat ihmisen mielelle aivan liian monimutkaisia kehittää, hän kertoi.

– Tietokoneen laskentatehon lisääntymisen ja koneälyn myötä voimme analysoida useita sairauksia ja työskennellä miljoonien eri hypoteesien kanssa, mikä johtaa nopeampaan lääkekehityssykliin, hän kertoi Slushissa.

Bayer tutkii tekoälyn mahdollisuuksia useilla alueilla

Bayer Oy:ssä Suomessa tekoälyn mahdollisuuksia on lähdetty tutkimaan pienin askelin. Yhtiön Suomen tuotekehityksen johtaja Marketta Häkkänen ja formulaatiokehityksen osastopäällikkö Manja Ahola ovat pohtineet, mitä tekoäly voisi tuoda lääkekehitykseen.

Lääkekehityksessä koneäly auttaa valitsemaan tehokkaimman synteesireitin lääkeaineen valmistamiseksi. Teknologian avulla voi tutkia lääkeaineen vapautumista ja säilyvyyttä. Lisäksi koneäly auttaa tutkimusten onnistumisen arvioinnissa ja voi auttaa vähentämään eläinkokeita.

– Olemme vasta lähtökuopissa, mutta jo nyt voi sanoa, että tekoälyn hyödyntäminen lääkekehityksessä vaikuttaa lupaavalta. Se onkin osa strategiaamme, joten data-analytiikan ja koneoppimisen osaajat tulevat olemaan tärkeitä ammattilaisia myös lääketeollisuudessa, Häkkänen sanoo.

– Lääkekehityksessä on tapahtumassa iso murros ja kaikki yritykset haluavat olla mukana innovoimassa uusia mullistavia lääkkeitä ja hoitomuotoja. Tällä on vaikutusta koko lääkekehitysprosessiin. Kaikki se, mitä digitalisaatio voi tuoda kehityshankkeisiimme, kiinnostaa meitä. Tavoitteenamme on saada mahdollisimman turvallinen ja tehokas lääke potilaalle oikeaan aikaan, ja mahdollisesti vielä kohdennettuna hänen henkilökohtaiseen hoitotarpeeseensa, Häkkänen jatkaa.

Lääkealan yrityksillä on vahva halu vähentää eläinkokeita. Häkkänen ja Ahola sanovat, että tietokonemallinnukset tulevat todennäköisesti korvaamaan eläintutkimuksia merkittävästi.

– Se on kaikkien lääkkeitä kehittävien ja myös viranomaisten yhteinen suunta, halu ja ponnistus tällä hetkellä, Häkkänen sanoo.

Löytyykö optimaalinen lääkemolekyyli nopeammin?

Bayer Oy:ssä on perustettu tiimi, jonka tarkoituksena on paneutua tekoälyn soveltamismahdollisuuksiin ja selvittää yrityksen tarpeita tästä näkökulmasta. Tarkoituksena on kartoittaa niin tuotekehityksen kuin tuotannonkin vaiheita, joissa tekoälyn mahdollisuudet merkittävästi tehostavat ja nopeuttavat kehitys- ja valmistusprosesseja. Esimerkiksi alkuvaiheessa tekoäly voi auttaa optimaalisimman lääkemolekyylin löytämisessä ja valinnassa jatkokehitykseen.

– Tekoälyä voidaan käyttää myös valitsemaan mahdollisimman tehokas ja lyhyt synteesireitti, jolla lääkeaine valmistetaan. Tämä alkaa pian olla jo arkipäivää monissa lääkeyrityksissä, Manja Ahola kertoo.

Bayer hakee jatkuvasti pieniä käyttöesimerkkejä, jotta yrityksessä paremmin ymmärrettäisiin tekoälyn mahdollisuuksia ja edistettäisiin sen innovointia.

– Olemme parhaillaan käynnistämässä ideointia siitä, miten tekoälyn avulla voisi tutkia ja ennustaa esimerkiksi lääkeaineen vapautumista ja lääkevalmisteen säilyvyyttä, Manja Ahola sanoo.

Kliiniset kokeet kevenevät

Tekoälyn mahdollisuudet ja teknologinen osaaminen kehittyvät kovaa vauhtia niin, että lääkekehityksen vaiheita voidaan yhä useammin mallintaa tietokoneella, ja nähdä onnistumisia ja riskejä (probability of technical success, pts).

– Tekoälyä voitaisiin käyttää tutkimuksen onnistumisen arviointiin, jolloin kliiniset lääketutkimukset voisivat vähentyä, Marketta Häkkänen kuvaa.

Suurin osa lääketutkimuksen kuluista kohdistuu kliinisiin tutkimuksiin faasien I-III aikana. Häkkäsen mielestä kliinisten tutkimusten alkuvaiheessa voidaan tekoälyn avulla keventää tutkimusta, lisätä näyttöä ja mallintaa asioita uudella tavalla, esimerkiksi ennakoida lääkeaineen vaikuttavuutta. Biopankkien aineistot avaavat tässä aivan uusia mahdollisuuksia.

Uusilla menetelmillä tavoitellaan kliinisissä lääketutkimuksissa potilaiden nopeampaa rekrytointia ja valintaa. Lääkkeiden reaaliaikaista käyttöä ja lääkkeiden vaikutuksia pystytään seuraamaan aiempaa nopeammin. Myös eHealth-datan kerääminen helpottaa lääketutkimuksia, kun mittauslaitteista saadaan reaaliaikaista tietoa, jota voidaan tallentaa suoraan tietokantoihin ja edelleen analysoitavaksi.

– Uskon, että myös tutkimusten hallinnointi helpottuu, kun voidaan hyödyntää kaikkia uusia teknologioita, digitalisaatiota, koneoppimista ja tekoälyä. Näin lääketutkimukset tulevat myös halvemmiksi toteuttaa, Häkkänen kertoo.

Lääkeyhtiöt ja startupit soveltavat tekoälyä

BenchScin kehitysjohtaja Simon Smith on listannut blogissaan 30 koneälyyn ja lääketeollisuuteen liittyvää yhteistyöhanketta. Uuden teknologian parissa työskentelevät sekä isot lääkeyritykset ja startup-yritykset. Esimerkiksi Pfizer käyttää IBM Watsonia kehittääkseen immuno-onkologisia lääkehoitoja.

Sanofi kertoo verkkosivuillaan kokeilevansa ”tulevaisuuden tehdasta”, jossa toisiinsa yhdistetyt älykkäät sensorit pystyvät tekemään tuhansia mittauksia tuotantoprosessin aikana ja tuottamaan miljardeja datapisteitä, joita käytetään prosessin seurannassa, analysoinnissa ja hallinnassa. Uudet analyyttiset tekniikat ennakoivat ja estävät vaihtelut ja varmistavat biologisten lääkkeiden laadun.

Rocheen kuuluvan Genentechin asiantuntijat Mark Lee ja Ron Park kirjoittavat, että ”lääketieteellinen kuvantaminen on uskomattoman rikas tietolähde, joiden avulla sairauksista saa lisätietoa ja oivalluksia, jotka ylittävät ihmisen tulkinnan. Käytämme algoritmeja oppiaksemme paremmin erottamaan terveitä ja sairaita kudoksia, tunnistamaan varhaisia varoitusmerkkejä ja paljastamaan yllättäviä malleja diagnosointiin ja ennustamiseen.

 

Kuvan lähde:shutterstock.