Insilico Medicine: штучний інтелект проти ідіопатичного легеневого фіброзу
Insilico Medicine просунулась до III фази клінічних випробувань на людях для тестування ліків, виявлених за допомогою штучного інтелекту для боротьби із ідіопатичним легеневим фіброзом (IPF). Це перетворення забезпечує сектор комп’ютерного виявлення ліків емпіричними тестовими випадками, переходячи від початкових етапів безпеки до пізніх стадій перевірки ефективності.
IPF руйнує дихальну здатність через серйозне зривання тканин легенів. Пацієнти зазвичай мають середню виживаність від двох до чотирьох років після діагнозу. Ліки, ідентифіковане за допомогою штучного інтелекту, rentosertib, інгібує TRAF2-і NCK-інтеректуючу кіназу для усунення підлягаючих механізмів захворювання при пероральному застосуванні.
Рандомізоване випробування оцінювало 71 пацієнта на 22 клінічних майданчиках у Китаї, розділяючи учасників на групи з плацебо і активним лікуванням. Дослідники адміністрували дози по 30 мг або 60 мг/день протягом 12-тижневого періоду спостереження.
Пацієнти, призначені на режим 60 мг один раз на день, продемонстрували середню додаткову життєву ємність легень +98,4 мЛ, що різко контрастувало з втратою 20,3 мЛ, зафіксованою в групі плацебо. Показники безпеки залишалися керованими, дорівнюючи очікуваним базовим показникам у всіх групах випробування. У лютому 2023 року інвестиційний об’єкт отримав статус “препарату-сироти” від Управління з продовольства і медикаментів США (FDA).
Розробка повністю покладається на Pharma.AI, пропрієтарну обчислювальну систему Insilico Medicine. Робочий процес розділяється на окремі модулі, що обробляють конкретні завдання з біологічної та хімічної інженерії.
Перший модуль, PandaOmics, виконує фазу виявлення цілей. Система вбирає величезні біологічні набори даних, обробляючи геноміку, результати клінічних випробувань, академічну літературу та патентну інформацію для формування комплексних моделей біологічних мереж. Алгоритми застосовують механізми причинної інференції для виявлення нових зв’язків хвороби, схованих у структурі даних.
PandaOmics ізолював TNIK як головну біологічну мету для втручання щодо IPF. Обчислювальна система обминула шляхи трансмембранних рецепторних кіназ, на які націлені існуючі антифібротичні препарати.
Програмне забезпечення позначило TNIK як центральний вузол, що регулює фіброз і запалення через сигнальні канали Wnt, TGF-β, Hippo/YAP-TAZ, JNK і NF-κB. Процес вибору мішені інтегрував рамку принципів старіння, оцінюючи біологічні цілі на основі їхнього впливу на кілька механізмів старіння, хронічного запалення та перебудови позаклітинної матриці.
Фенг Рен, PhD, спів-генеральний директор і головний науковий директор Insilico Medicine, пояснив, що відкрито препарат rentosertib було за допомогою біології – по-перше, зріло-інформованого AI робочого потоку.
Після вибору цілі, двигун Chemistry42 виконує генеративний молекулярний дизайн. Система застосовує Generative Tensorial Reinforcement Learning для створення молекул, які фізично узгоджуються з цільовим білком, забезпечуючи необхідні фармакологічні властивості.
Фаза обчислювального генерування синтезувала рівно 79 фізичних молекул для тестування. Інженерна команда обрала 55-ту ітерацію для просування в доклінічні випробування. Цей цільовий протокол генерації скоротив часові рамки від початку проекту до обрання доклінічного кандидата до 18 місяців.
Клінічна оцінка інтегрує складний протеомічний аналіз для валідації біологічних взаємодій, які передбачені алгоритмом. Insilico Medicine використовує внутрішні протеомічні моделі старіння при випробуванні IPF для збору розвідувальних даних про геросайенс.
Випробування використовує протеомічні годинники для відстеження змін, спричинених втручанням, та застосовує зовнішні набори даних для порівняння.
Олексій Жаворонков, PhD, засновник і генеральний директор Insilico Medicine, прокоментував цю програму як таку, що представляє повну місію зі застосування AI для швидкого прогресу та створення нових терапевтичних можливостей.
Підходи AI в біофармації акцентують увагу на перевірках результатів на людях, де III фаза випробувань тестує клінічну ефективність генеративних алгоритмів.
