Artificial Intelligence Leads to Efficient Drug Development

Da sich künstliche Intelligenz immer komplexer entwickelt, haben Forscher neue Wege gefunden, diese Komplexität zu nutzen, um die Erforschung der Behandlung von Krankheiten und anderen chronischen Erkrankungen, die in der Vergangenheit schwer zu behandeln waren, zu verbessern. Diese Entwicklungen zeigen das Potenzial für eine Änderung der Art und Weise, wie Arzneimittel künftig entwickelt und getestet werden.

Dabei geht es insbesondere um die schiere Menge an Daten, die Arzneimittelforschern zur Verfügung stehen. Trotz der verfügbaren Datenmenge ist die Rate erfolgreicher Wirkstoffentwicklungen niedriger als noch vor fast 40 Jahren. Vereinfacht gesagt, neigen Arzneimittel, die in vorklinischen Studien erfolgreich sind, dazu, bei klinischen Tests durchzufallen. Es gibt einen einfachen Grund dafür: Vorklinische Studien beruhen unter anderem auf Labormäusen, die sich genetisch sehr ähneln. Im Gegensatz dazu verfügen Teilnehmer an klinischen Studien über eine weitaus größere genetische Vielfalt. Dies bedeutet, dass eine Behandlung, die in vorklinischen Studien gut funktioniert, immer noch eine erhebliches Risiko hat, bei klinischen Studien durchzufallen.

Eine kürzlich an der San Diego School of Medicine der University of California veröffentlichte Studie skizzierte einen anderen Ansatz für vorklinische Studien, die maschinelles Lernen verwenden, um besser vorherzusagen, ob ein Arzneimittel die FDA-Studien besteht oder durchfällt. Die Methodik beinhaltet die Verwendung künstlicher Intelligenz, um die Genexpression der Krankheit während des Ausbruchs und während ihres Voranschreitens zu modellieren. Dies bedeutet, dass das System genauer vorhersagen kann, wie die Behandlung bei einer viel grösseren Vielfalt von Patienten verlaufen wird. Im Wesentlichen kann das System die Anwendung einer bestimmten Behandlungsart für eine Vielzahl von Profilen unter Verwendung vorhandener Daten simulieren, anstatt neue Daten generieren zu müssen.

Dieser Ansatz wird als „Phase-0-Ansatz“ bezeichnet und hat das Potenzial, Arzneimittelherstellern Millionen von Dollar einzusparen. Anstatt mit vorklinischen Studien zu beginnen, können die Auswirkungen der Behandlung mithilfe eines durch maschinelles Lernen generierten Krankheitsmodells vorhergesagt werden. Dies gibt einen viel besseren Überblick darüber, wie eine Behandlung oder ein Medikament in klinischen Studien abschneidet. Dies wiederum bedeutet, dass Hersteller vermeiden können, Geld in sowohl vorklinische als auch klinische Studien zu stecken, wenn sich ein Medikament beim Durchlaufen des Modells als weniger wirksam erweist. Dieses Geld kann stattdessen in potenzielle Behandlungen fliessen, die bessere Chancen haben, für mehr Patienten wirksam zu sein.

Die Ergebnisse der Phase-0-Studie müssen noch durch klinische Studien entwickelt werden, um die Wirksamkeit zu verifizieren. Sollte sich die Erfolgsprognose bewahrheiten, könnte sie jedoch die Art und Weise der Arzneimittelentwicklung, insbesondere für chronische Erkrankungen, revolutionieren.

Weitere Informationen zur Studie und Methodik finden Sie hier:https://www.worldpharmanews.com/research/5742-artificial-intelligence-could-be-new-blueprint-for-precision-drug-discovery