Sztuczna inteligencja znacząco przyspiesza opracowywanie przeciwciał. To rewolucja w farmacji na skalę odkrycia prądu

Sztuczna inteligencja znacząco przyspiesza opracowywanie przeciwciał. To rewolucja w farmacji na skalę odkrycia prądu

Immunoterapia, która polega na aktywacji układu odpornościowego chorego w celu walki z daną chorobą, jest jedną z najprężniej rozwijających się gałęzi medycyny. W ciągu 10 lat rynek wykorzystywanych w niej przeciwciał może wzrosnąć trzykrotnie – oceniają analitycy Fact.MR. Polski start-up Genotic wykorzystuje do prac nad przeciwciałami celującymi w określony antygen sztuczną inteligencję. Pozwala ona znacznie skrócić cały proces z wielu miesięcy nawet do 21 dni.  

– Sztuczna inteligencja daje nam możliwość automatyzacji bardzo wielu procesów w biotechnologii i farmacji, począwszy od wyszukiwania nowych kandydatów na leki, nie tylko małocząsteczkowych, ale tych dużo trudniejszych, czyli przeciwciał. Biologiczne leki, czyli przeciwciała, są jednymi z najlepszych leków, więc one są dużo trudniejsze w projektowaniu, ale sieci głębokiego uczenia dają nam możliwość w bardzo krótkim czasie tworzenia nawet spersonalizowanych przeciwciał na konkretne epitopy targetów u pacjentów. To jest ogromna rewolucja na skalę odkrycia prądu, która w tym momencie zachodzi w świecie biotechnologii i farmacji – mówi w wywiadzie dla agencji Newseria Innowacje Grzegorz Warzecha, założyciel Genotic.

Polski startup z wykorzystaniem sztucznej inteligencji projektuje, testuje i produkuje przeciwciała, które mogą być użyte m.in. w diagnostyce i leczeniu chorób zakaźnych, autoimmunologicznych czy onkologicznych. Struktury białek są przewidywane na podstawie sekwencji. Pozwala to znacznie usprawnić proces i przeciwciała celujące w określony antygen.

– My wykorzystujemy sztuczną inteligencję przede wszystkim do projektowania spersonalizowanych przeciwciał wysoko specyficznych do konkretnych targetów, tak jak na przykład HER2 w przypadku nowotworu raka piersi. Chcemy wyjść z dużą bazą przeciwciał na bardzo wiele różnych targetów na rynku R&D i diagnostyki. Jednocześnie bardzo ambitnie pracujemy nad tym, żeby za pomocą sieci głębokiego uczenia automatyzować procesy w laboratoriach, bo w Stanach Zjednoczonych i Europie Zachodniej powstaje coraz więcej tzw. dark labów, czyli laboratoriów, gdzie wiele procesów jest automatyzowanych przez roboty, bo bardzo mocno skraca to pracę, przyspiesza wiele eksperymentów i daje dużo szybsze dojście do dobrych cząsteczek, które musimy zweryfikować, zanim trafią do testów klinicznych – wskazuje Grzegorz Warzecha.

Przykładem wykorzystania sztucznej inteligencji w medycynie jest model AlphaFold 3, opracowany przez Google DeepMind i Isomorphic Labs. Rozwiązanie modeluje duże biocząsteczki, takie jak białka, DNA i RNA, a także małe cząsteczki. Może też modelować modyfikacje chemiczne tych cząsteczek, wpływające na zakłócanie pracy komórek, które prowadzi do choroby. W praktyce oznacza to rewolucyjną zmianę w możliwości opracowywania nowych, innowacyjnych terapii. Genotic wykorzystał AlphaFold do opracowania swojej platformy do generowania struktury przeciwciał.

– Największą wartością sieci głębokiego uczenia jest wykonywanie procesów projektowania leków w całości cyfrowo na komputerze, tzw. in silico, bo zmienia i upraszcza to kompletnie proces szukania nowych kandydatów. Bardzo wiele prac laboratoryjnych możemy uprościć poprzez znajdywanie dobrych kandydatów wcześniej za pomocą sieci głębokiego uczenia – wyjaśnia ekspert Genotic.

Bazową technologią w pracach nad przeciwciałami jest ich projektowanie w organizmie zwierzęcia. Przykładowo w przypadku wirusa następuje wstrzyknięcie wyizolowanego wirusa zwierzęciu, a po długich miesiącach oczekiwania z krwi zwierzęcia są izolowane wytworzone przeciwciała – o ile zaszła reakcja immunologiczna. Dopiero na tej podstawie przeprowadzane jest sekwencjonowanie białka i określenie struktury, a po tym procesie może ruszyć produkcja.

– My jesteśmy w stanie zaprojektować przeciwciało w ciągu 48 godz. na 200–300 kartach graficznych, co powoduje, że dosłownie w dwa dni mamy bardzo wielu kandydatów zweryfikowanych, którzy mogą zostać wyprodukowani i przekazani do weryfikacji laboratoryjnej – ocenia Grzegorz Warzecha.

Potem następuje sprawdzenie skuteczności i specyficzności działania kandydatów, a ostatecznie, spośród tysięcy wytypowanych kandydatów, w laboratorium wybieranych jest kilku z najlepszymi parametrami.

Już dziś przeciwciała monoklonalne stanowią najbardziej oczekiwany element terapii, np. w chorobach hematoonkologicznych: szpiczaku plazmocytowym czy chłoniaku DLBC. Przeciwciała dwuswoiste z jednej strony rozpoznają nieprawidłowe komórki, a z drugiej – uczą układ odpornościowy, jak je zwalczać. Według Fact.MR światowy rynek przeciwciał osiągnął w 2022 roku obroty przekraczające 197 mld dol. Do 2032 roku przychody wzrosną ponad trzykrotnie – do 608 mld dol.

– Wierzę, że przyszłość nas jako pacjentów również będzie polegała na tym, że firmy będą tworzyły dla nas leki on demand, sekwencjonując nasz RNA-seq, DNA, czyli widząc struktury naszej choroby, będą tworzyć spersonalizowane leki w bardzo krótkim czasie i dostarczać je pacjentowi w trzy tygodnie od rozpoczęcia badań – przewiduje założyciel Genotic. – To jest nowy trend, który pojawia się na całym świecie. Sieci głębokiego uczenia potrafią dobrze sobie radzić z mapowaniem reprezentacji, czyli z tworzeniem pewnych struktur, takich jak np. cząsteczki białkowe. Ten progres jest radykalny przez ostatnie dwa lata.

Przeczytaj także: Raport: prawdziwy rozwój potencjału sztucznej inteligencji w ochronie zdrowia jeszcze przed nami


Źródło: biznes.newseria.pl

Last Updated on 23 września, 2024 by Krzysztof Kotlarski

Udostępnij
TAGS