Att använda artificiell intelligens i läkemedelsdesign skulle ge läkemedelsforskningen ett uppsving, säger Gisbert Schneider. På medellång sikt, datorer kunde till och med utföra experiment autonomt.

Att designa droger är en komplex och utmanande uppgift. Hur skapar du effektiva nya läkemedel utan negativa biverkningar för att ta itu med världens mest akuta hälsoproblem? Medicinska kemister måste överväga en rad interaktioner:läkemedel interagerar med celler och organ i människokroppen på många sätt, och dessa skiljer sig ofta mycket från en patient till en annan. Även om det är iterativt, ofta automatiserad, testmetoder i labbet har gett många potentiella utgångspunkter för läkemedelsutveckling, det finns begränsningar när det gäller att utforma och välja ut de mest lovande läkemedelskandidaterna. Läkemedelsdesignern måste välja bland uppskattningsvis 1060 läkemedelsliknande molekyler som – endast teoretiskt – skulle kunna syntetiseras. Vad mer, det tar år av utbildning på jobbet för att bli en kunnig expert inom medicinsk kemi.

Det är här artificiell intelligens (AI) och maskininlärning kan komma in. Att implementera AI för att hjälpa kemister i läkemedelsdesignprocessen lovar att fatta bättre beslut:Det är mycket mer effektivt än det mänskliga sinnet när det gäller att sålla igenom "stora" data, AI genererar reproducerbara resultat och stödjer upptäcktsprocessen genom att överväga många projektmål parallellt.

Den perfekta partnern?

Bättre droger, upptäckt och levererad snabbare – AI låter som en idealisk partner i labbet. Men även om ett kemikunnigt AI-system kan överträffa en mänsklig kemist i vissa avseenden genom att bearbeta problem som det mänskliga sinnet kämpar med, det är ingen silverkula. Faktum är att våra förväntningar på AI-stödd läkemedelsdesign kan vara för höga:vi måste erkänna vår ofullkomliga förståelse av mänskliga sjukdomsmekanismer. Endast när den presenteras med lämpliga data kommer en maskinintelligens att lära sig meningsfulla relationer mellan läkemedelsmolekyler och deras fysiologiska effekter.

Det är därför våra forskare inte behöver frukta att datorer kommer att ersätta dem helt och hållet – i själva verket kommer det att behövas fler medicinska kemister om vi ska fortsätta göra framsteg på detta område. Redan, AI-modeller stödjer vårt beslutsfattande i läkemedelsupptäckt, men att integrera AI i en automatiserad läkemedelsdesignprocess kommer att kräva nytt tänkande:det kommer att förändra inställningen, precis som de senaste årens mjukvara och teknologi har gjort för att förutsäga egenskaper med en hög grad av noggrannhet mycket snabbare än i ett labb utan automatisering.

Automatisera upptäckt

Med pågående automatisering, vi kan förutse att datorer utför experiment produktivt och autonomt med hjälp av robotik om tre till fem år. Detta testas faktiskt redan på vissa ställen, särskilt vid ETH Zürich och inom industrin. Vi kan också förvänta oss att AI förutsäger effekterna av ämnen i ett tidigare utvecklingsstadium och föreslår nya kemiska strukturer med önskade egenskaper. Det skulle innebära att färre ämnen som visar sig inte vara effektiva skulle behöva testas.

I det långa loppet, AI kan hålla nyckeln för att låsa upp dörren till mer effektiv och mer tillgänglig personlig medicin. Men det kommer att krävas fortsatt forskning och investeringar inom detta område, och nytt tvärvetenskapligt tänkande från experter inom AI, kemi, läkemedels- och bioteknikdomän.