Så förändrar artificiell intelligens hur vi upptäcker nya läkemedel

Att ta fram ett nytt läkemedel har traditionellt tagit över ett decennium och kostat miljarder kronor, utan garanti för att det någonsin når marknaden. De flesta kandidater faller bort längs vägen, och för varje framgång döljer sig hundratals misslyckanden. Nu håller artificiell intelligens på att förändra den ekvationen i grunden. Genom att analysera enorma mängder biologisk data på ett sätt som är omöjligt för mänskliga forskare öppnar AI upp möjligheter som för bara några år sedan verkade som science fiction. Den här artikeln går igenom hur tekniken fungerar och vad den faktiskt kan förändra inom läkemedelsutvecklingen.

Hur AI hittar läkemedelskandidater snabbare än någonsin

Traditionell läkemedelsutveckling börjar med ett enormt antal möjliga molekyler. Av de miljarder kemiska föreningar som teoretiskt sett skulle kunna fungera som läkemedel måste forskarna på något sätt identifiera de få som faktiskt binder till rätt målprotein, är stabila nog att fungera i kroppen och inte orsakar allvarliga biverkningar. Det arbetet har historiskt tagit år av laboratorieförsök och inneburit oräkneliga misslyckanden. AI förändrar det genom att flytta en stor del av urvalsprocessen från det fysiska laboratoriet till datorn.

Proteinfaltning – ett genombrott med enorma konsekvenser

Ett av de mest omtalade genombrotten inom AI och läkemedelsforskning är lösningen på det så kallade proteinfaltningsproblemet. Proteiner är de molekylära maskiner som driver nästan alla biologiska processer i kroppen, och deras funktion bestäms av hur de veckar sig i tredimensionella strukturer. Att förutsäga denna struktur utifrån aminosyrasekvensen hade länge ansetts vara ett av biologins svåraste problem. När DeepMinds system AlphaFold presenterade sina resultat 2020 och 2021 förändrades förutsättningarna dramatiskt. Plötsligt kunde forskare få tillgång till strukturer för hundratals miljoner proteiner på en bråkdel av den tid det tidigare krävde, vilket öppnade dörren till en helt ny era av målstyrd läkemedelsutveckling.

Virtuell screening i en helt ny skala

Med tillgång till protestrukturer kan AI-system utföra virtuell screening, det vill säga simulera hur miljontals olika molekyler interagerar med ett målprotein. Det som tidigare krävde fysiska experiment i laboratoriet kan nu göras beräkningsmässigt och i en skala som är svår att föreställa sig. Ett AI-system kan på kort tid analysera fler molekylkandidater än ett forskarteam hinner testa fysiskt under hela sin karriär. De kandidater som klarar det virtuella testet tas sedan vidare till faktiska laboratorieexperiment, vilket gör processen både snabbare och mer kostnadseffektiv.

Generativa modeller designar nya molekyler

Utöver att screena befintliga molekyler kan moderna AI-system också generera helt nya kemiska strukturer från grunden. Generativa modeller tränade på stora databaser av kända läkemedel och biologiskt aktiva molekyler kan föreslå strukturer med specifika egenskaper, till exempel hög bindningsaffinitet till ett visst protein kombinerat med låg toxicitet. Det är en fundamental förändring jämfört med det traditionella arbetssättet där forskare i hög grad förlitade sig på slumpen och erfarenhet för att hitta lovande kandidater.

Vad AI-verktygen faktiskt bidrar med

Det är värt att konkretisera vad denna teknikskifte innebär i praktiken:

• Identifiering av läkemedelskandidater kan gå från år till veckor med hjälp av beräkningsmodeller.
• Antalet relevanta kandidater som når laboratorietestning ökar eftersom förhandsgranskningen är mer träffsäker.
• Forskning på tidigare svårbehandlade sjukdomar blir möjlig när proteinstrukturer som tidigare var okända nu finns tillgängliga.
• Kostnaden för de tidiga faserna av läkemedelsutveckling kan minska markant när färre fysiska experiment behövs i urvalsprocessen.

Från laboratorium till klinik – AI i hela utvecklingskedjan

Att hitta en lovande läkemedelskandidat är bara det första steget i en lång och kostsam process. Innan ett läkemedel når patienter måste det genomgå omfattande säkerhetstester, kliniska prövningar i flera faser och regulatorisk granskning. Varje steg är förknippat med risk för misslyckande och enorma kostnader. AI har potential att förbättra odds och effektivitet inte bara i den tidiga upptäcktsfasen utan genom hela kedjan från laboratorium till godkänd behandling.

Förutsäga biverkningar innan de uppstår

En av de vanligaste orsakerna till att läkemedelskandidater misslyckas i kliniska prövningar är oförutsedda biverkningar som inte fångades upp i tidigare tester. AI-modeller tränade på data från tidigare läkemedelsutvecklingar kan i dag förutsäga toxicitet och potentiella biverkningar med en precision som manuella metoder inte kan matcha. Det innebär att kandidater med hög risk för skadliga effekter kan sållas bort redan innan de når dyra och tidskrävande djurförsök eller kliniska prövningar på människor. Varje kandidat som sorteras bort i rätt tid sparar resurser som i stället kan läggas på mer lovande alternativ.

Optimering av kliniska prövningar

Kliniska prövningar är den mest kostsamma delen av läkemedelsutvecklingen och kan ta många år att genomföra. AI bidrar här på flera sätt. Genom att analysera patientdata kan modeller identifiera vilka patientgrupper som med störst sannolikhet svarar positivt på en behandling, vilket gör det möjligt att rekrytera rätt deltagare till rätt studie. Det ökar chansen för ett positivt utfall och minskar risken för att en egentligen fungerande behandling misslyckas i prövningen enbart för att fel patientgrupp testades.

AI används också för att övervaka pågående prövningar i realtid och tidigt identifiera signaler om att något inte fungerar som förväntat. Det möjliggör snabbare beslut om att avbryta eller justera en studie, vilket både skyddar deltagarna och sparar resurser.

Personaliserad medicin och biomarkörer

En av de mest spännande tillämpningarna av AI i den kliniska fasen är möjligheten att koppla behandling till individuella biologiska profiler. Genom att analysera genetiska data, blodprover och medicinsk historik kan AI-system identifiera biomarkörer som förutsäger hur en enskild patient sannolikt kommer att reagera på en specifik behandling. Det är ett steg mot den personaliserade medicin som länge diskuterats som en framtidsvision men som nu börjar bli verklighet i klinisk praktik.

Snabbare regulatorisk process

Även den regulatoriska granskningen, där myndigheter som den europeiska läkemedelsmyndigheten EMA bedömer om ett läkemedel är säkert och effektivt nog för godkännande, påverkas av AI. Automatiserad sammanställning och analys av kliniska data kan göra ansökningsprocessen mer strukturerad och lättare att granska. Flera myndigheter världen över arbetar aktivt med att ta fram riktlinjer för hur AI-genererade data ska hanteras i godkännandeprocessen, vilket tyder på att tekniken redan ses som en integrerad del av framtidens läkemedelsgodkännande.

Möjligheter och risker med AI-driven läkemedelsforskning

AI har otvivelaktigt förändrat förutsättningarna för läkemedelsutveckling på ett sätt som få andra teknologier gjort på lika kort tid. Men som med all transformativ teknik följer möjligheterna av ett antal frågor som inte har enkla svar. Att ha en nyanserad bild av både vad AI kan åstadkomma och var begränsningarna finns är viktigt för att förstå hur tekniken faktiskt kommer att forma medicinens framtid.

Möjligheten att angripa sjukdomar som länge stått olösta

En av de mest hoppingivande aspekterna av AI inom läkemedelsforskning är möjligheten att äntligen göra framsteg mot sjukdomar som länge motståt alla försök att behandla dem. Neurodegenerativa sjukdomar som Alzheimers och Parkinsons, sällsynta genetiska tillstånd och vissa cancerformer har alla det gemensamt att de biologiska mekanismerna bakom dem är komplexa och svårförstådda. AI-system som kan analysera stora mängder data och identifiera mönster som inte är synliga för mänskliga forskare öppnar nya vägar in i dessa sjukdomars biologi och skapar möjligheter för behandlingar som tidigare var omöjliga att ens formulera.

Risken för partiska modeller och felaktiga slutsatser

En AI-modell är bara så bra som de data den tränats på. Inom läkemedelsforskning finns en reell risk att modeller tränade på historiska data speglar de snedvridningar som finns i den medicinska forskningen. Om kliniska studier historiskt sett underrepresenterat vissa patientgrupper, till exempel kvinnor eller personer med specifika genetiska bakgrunder, kan AI-modeller ge rekommendationer som fungerar sämre för dessa grupper utan att det är uppenbart. Det är ett problem som kräver medveten hantering av de data som används och noggrann validering av modellernas utfall.

Transparens och förklarbarhet som utmaning

Många av de mest kraftfulla AI-modellerna fungerar som svarta lådor, de producerar resultat utan att det är möjligt att följa exakt hur slutsatsen nåddes. Inom läkemedelsutveckling och medicinsk forskning är det ett problem. Regulatoriska myndigheter, läkare och patienter behöver kunna förstå och granska grunden för ett beslut. Forskning inom förklarbar AI, på engelska explainable AI, arbetar med att göra modellernas resonemang mer transparenta, men det är fortfarande ett område under aktiv utveckling.

Balansen mellan hastighet och noggrannhet

AI kan dramatiskt accelerera läkemedelsutvecklingen, men hastighet får inte gå ut över noggrannhet när det handlar om behandlingar som ska ges till människor. Det finns en risk att trycket att leverera snabba resultat leder till att valideringssteg hoppas över eller att lovande AI-genererade kandidater förs vidare för snabbt i processen. Den mänskliga expertisen och de traditionella metoderna för vetenskaplig granskning förblir nödvändiga komplement till tekniken, inte reliker från en förgången era.

Vad som krävs för att tekniken ska hålla sitt löfte

För att AI verkligen ska transformera läkemedelsutvecklingen på ett hållbart sätt krävs ett nära samarbete mellan teknologer, biologer, läkare och regulatorer. Tekniken är ett verktyg, om än ett exceptionellt kraftfullt sådant, och dess värde avgörs av hur klokt det används och hur väl de risker som följer med det hanteras.