AI asosidagi dori vositalarini yaratishda ma’lumotlar siklini yopish
Dori vositalarini yaratish — yuqori xarajat va katta xavf bilan bog‘liq jarayon bo‘lib, bozorda birinchi bo‘lib chiqish ustunligi tobora muhimlashayotgani…
1950-yillardan beri yangi farmatsevtika preparatlarini yaratish xarajati taxminan har to‘qqiz yilda ikki baravar oshdi — bu hodisa Eroom qonuni deb ataladi. Bugungi kunda yangi dorini bozorga chiqarish o‘rtacha 10-15 yil vaqt oladi va $1 milliarddan $2.5 milliardgacha turadi, muvaffaqiyatsizlik darajasi esa 90% dan yuqori.
AI farmatsevtika sanoatining muvaffaqiyat ko‘rsatkichlarini oshirish va muddatlarni qisqartirish borasidagi eng katta umidiga aylandi. Dori kompaniyalari yangi kimyoviy birikmalarni qanchalik tez aniqlab, sinab ko‘rib va optimallashtira olsa, rivojlantirishning keyingi bosqichlaridagi qimmatga tushadigan muvaffaqiyatsizliklar xavfi shunchalik kamayadi.
“Dori yaratishdagi asosiy xarajat hanuz klinik bosqichga to‘g‘ri keladi. Shu sababli u yerdagi xavfni kamaytirish va muvaffaqiyat ko‘rsatkichlarini oshirish juda katta foyda berishi tabiiy”, — deydi global life sciences kompaniyasi Cytiva’da oqsillarni tadqiq qilish strategiyasi direktori Paul Belcher. “Dori kompaniyalari AI nafaqat vaqtni tejab, muddatlarni qisqartiradi, balki klinik sinovlarga yanada sifatli nomzodlarning yetib borishiga ham yordam beradi, deb umid qilmoqda.”
Dori yaratishning dastlabki bosqichlarida AI’dan foydalanish istiqbolni ko‘rsatmoqda, biroq ayni paytda mustahkam va ishonchli ma’lumotlar, shuningdek, laboratoriya tizimlariga integratsiya zarurligini ham namoyon etmoqda.
AI laboratoriyaga samaradorlik olib kiradi
Dori yaratishning dastlabki bosqichlarida AI’dan foydalanishning eng istiqbolli yo‘nalishlaridan biri — faol birikmalarni aniqlashdir. Bunda molekulyar obyektlar kutubxonalari kasallik bilan bog‘liq nishon, masalan, oqsilga qarshi skrining qilinib, unga birikadigan molekulalar topiladi. Muvaffaqiyatli aniqlangan faol birikma tadqiqotchilarga keyingi sinovlar va takomillashtirish uchun boshlang‘ich nuqta beradi; pirovard maqsad esa yaroqli dori yaratishdir.
Belcher empirik skriningdan prognozli loyihalashga o‘tilganini ko‘rmoqda: dori kompaniyalari kutubxonalarni fizik jihatdan skrining qilish o‘rniga endi dori nomzodlarini boshidan AI yordamida loyihalamoqda va tadqiqot hamda rivojlantirishga (R&D) kirishishdan oldin ularning kasallik nishonlari bilan qanday o‘zaro ta’sirlashishini bashorat qilmoqda.
Bu kompaniyalar endi boshlang‘ich nuqtalarni aniqlash uchun fizik jihatdan qancha birikmani skrining qila olishiga bog‘lanib qolmaganini anglatadi. “AI bu cheklovni olib tashlaydi”, — deydi Belcher. “Shuningdek, u fizik sinovdan o‘tkazishdan oldin sifati past nomzodlarni chiqarib tashlashga yordam beradi, bu esa vaqt va resurslarni tejaydi.”
Belcherning aytishicha, AI hozircha yangi birikmalarning kinetik xususiyatlari yoki ishlab chiqiluvchanligini ishonchli tarzda bashorat qila olmaydi. Shu sababli AI yaratgan har bir nomzod baribir laboratoriyada tasdiqlanishi kerak.
An’anaviy skrining jarayonlari ko‘p sonli murakkab nomzodlarni batafsil profillash uchun emas, balki katta miqyosda faol birikmalarni aniqlash uchun yaratilgan. Bu laboratoriya jamoalariga bosimni kuchaytirmoqda: endi ular tobora ko‘payib borayotgan, xilma-xilroq va AI yaratgan birikmalarni sinashi, tavsiflashi hamda tozalashi kerak.
“Faol birikmalarni aniqlashda qo‘llanadigan hozirgi usullar yuz minglab, ba’zan millionlab birikmalarni ikkilik yoki chegaraga asoslangan usullar bilan skrining qiladi va aniqlik darajasi past ma’lumotlar — ‘ha’ yoki ‘yo‘q’ javoblarini beradi”, — deya tushuntiradi Belcher. “AI olinadigan faol birikmalar sonini oshirishi va ehtimol, ularning sifatini ham yaxshilashi mumkin. Bu esa keyinchalik ularni tasdiqlash va tavsiflash uchun o‘tkazuvchanligi yuqori, axborotga boy texnologiyalarga bo‘lgan talabni oshiradi.”
Modellarga to‘liq va sifatli ma’lumotlar kerak