Umělá inteligence ve farmakologii

Umělá inteligence (AI) je platformou s řadou počítačových programů, které podle zadání hledají řešení s použitím všech dostupných dat, jež mají k dispozici. Zdrojem mohou být data obecného charakteru (např. encyklopedie) nebo data vlastní, dodaná zadavatelem úkolu. Největším přínosem použití AI je rozsah použitých dat, kdy teoreticky neexistuje žádné množstevní omezení, a rychlost, s jakou je jejich zpracování provedeno (obvykle minuty). Postupně se AI prosazuje i ve zdravotnických oborech. A vzhledem k tomu, že by AI měla být schopna omezit „tápání“ v podobě chybných kroků při hledání a optimalizaci výsledků, stala se vhodným nástrojem také při hledání a testování nových léků.

V oblasti léků, v rámci humánní, ale pochopitelně i veterinární medicíny se AI stala novým prostředkem při navrhování nových a vylepšování starých přípravků. Její využití je však v principu mnohem obecnější, protože může zasahovat do všech oborů lidské činnosti určitým způsobem spojených se snahou o pozitivní ovlivňování zdravotního stavu. Na začátku jde především o výzkum spojený s výběrem cíle a navržení prostředku, jímž lze cíle dosáhnout. Na něj navazují fáze ověřování účinnosti a nakonec výroba daného prostředku s licencí pro všeobecné používání. Příkladem instituce, která se touto cestou vydala, může být společnost Creative Biostructure, která již zařadila AI technologie do rejstříku prostředků používaných při přípravě nových léčiv.

Na prvním místě je pochopitelně co nejpodrobnější znalost cíle, k němuž proces směřuje. A v tomto bodě musíme hledat rizika selhání v úkolech, které AI svěřujeme. V její kompetenci je sice rovněž možnost upozornit na chybné zadání, ale je třeba na takovou možnost myslet. AI může být užitečná v rámci zdravotní péče v mnoha směrech, v našem případě se však omezíme na oblast farmakologie, kdy jde o působení na nějakou součást životních procesů, u nichž se snažíme zajistit jejich optimální funkci. Nezbytným předpokladem úspěšného zapojení AI je právě jejich dokonalá znalost, neboť v případě stavu, který považujeme za zdravý, jsou životní procesy určitým způsobem vyladěny a pohybují se v určitých mezích - nejjednodušším příkladem je např. tělesná teplota. Její hodnota je všeobecně známou veličinou a na jejím udržování se kromě naší přirozenosti podílíme i aktivně svým chováním. Když se domníváme, že jde o odchylku od stavu „zdraví“ při jejím zvýšení, používáme „léčebné prostředky“ k jejímu návratu do normálního rozmezí. Mezi takové prostředky patří také léky – jako ideální příklad může sloužit historie aspirinu. Máme-li na mysli úpravu tělesné teploty, pak v případě aspirinu neléčíme chorobu, ale jen její příznak. S příčinou zvýšení teploty se naše tělo musí vyrovnat samo, snížením mu jen pomáháme a chráníme je před možnými následky. V tomto případě však zanedbáváme účinek aspirinu např. na zánětlivé procesy, které mohou být právě původní příčinou zvýšení tělesné teploty.

Ani dnes se sice nevzdáváme používání přírodních látek jako léčiv, ale častěji se snažíme připravovat je uměle chemickou syntézou. Ta sice může být nesrovnatelně složitější, než byla výroba acetylsalicylátu, avšak hlavní aktuální problém tkví ve výběru látky, která by splňovala naše požadavky především na účinnost a bezpečnost. Jak uvádí ve svém přehledu Qureshi (2023), je 6-7 % světového domácího produktu ročně vynakládáno na uvedení nových léčebných produktů na trh, přičemž celková doba od začátku výzkumu příslušné látky až po uvedení na trh může trvat i déle než desetiletí. Přitom úspěšné dokončení procesu vývoje, vyjádřené schválením pro klinické použití, je spojeno s relativně velmi nízkou pravděpodobností, neboť např. i více než 90 % ověřovaných protinádorových léků během klinického testování tímto procesem úspěšně neprojde. Takové práce se mohou týkat např. látek, které ovlivňují funkci bílkovinných molekul změnami v jejich prostorovém uspořádání (Ford 2023), nebo výběru vhodnosti různých léčebných prostředků (Heinrich 2024). Podobným cílem a účinkem mohou být rovněž molekuly RNA (Hofman 2024).

Bertalan Mesko, známý lékařský „futurista“, ve svém interview s Isaacem Bentwichem - zakladatelem společnosti Quris AI, která má patent na tzv. organ-on-chip system - diskutoval vyhlídky do příštích let, během nichž by AI mohla nahradit klinické testování a předpovídat pravděpodobnost, která z nově syntetizovaných látek by mohla být bezpečně používána. Jeho společnost již sestavila platformu Bio-AI Clinical Prediction, která může být používána obdobně jako klinické testy. Zkušební použití platformy paralelně s klinickým testováním může při odhadu, že lék neprojde hodnocením úspěšně, ušetřit značné finanční prostředky, čas i lidské zdroje. I kdybychom podlehli nedostatku důvěry vůči AI, která zatím není zanedbatelná dokonce i mezi odborníky, je možné v tomto případě AI využít alespoň k vyloučení potenciálně neperspektivních přípravků. V případě potvrzení vhodnosti by bylo použití látky ověřeno klasickým klinickým testováním, které by tak mohlo být zřetelně kratší. Na výhodnost přístupů využívajících AI při testování nových látek účinných v ovlivňování nejrůznějších biologických procesů, z medicínského hlediska především těch patologických, upozornili ve své práci již Pantuck (2018) a Hessler (2018), který zdůraznil zvláště její přínos pro predikci vlastností testovaných látek (absorpci, distribuci, metabolismus, vylučování a toxicitu). Přitom je neopomenutelnou výhodou schopnost AI zpracovat prakticky neomezené množství údajů.

Závěr

Umělá inteligence se již stala univerzálním nástrojem, který nám díky své všestrannosti pomáhá řešit prakticky jakkoliv složité problémy, jež mu zadáme. Sama sobě se přitom stává nástrojem k tomu, jak své schopnosti vylepšovat. Otázky spojené se zdravotní péčí se pochopitelně staly také předmětem AI aplikací, mezi něž patří vyhledávání, výroba a testování nových léků. I v této oblasti lze schopnosti AI významným způsobem využít a dříve složité a dlouhodobé procesy značně zjednodušit a urychlit.

Prof. MUDr. Radim Brdička, DrSc.¹; Karolína Veberová Brdičková²

¹ nezávislý poradce; ² Biogen Praha, s.r.o.

Literatura:      

1. Ford A, Breitgoff F, Pasquini M, et al. Application of particle swarm optimization to understand the mechanism of action of allosteric inhibitors of the enzyme HSD17b13. Patterns 2023; https://doi.org/10.1016/j.patter.2023.100733.
2. Heinrich MC, Jones RL, George S, et al. Ripretinib versus sunitinib in gastrointestinal stromal tumor: ctDNA biomarker analysis of the phase 3 INTRIGUE trial. Nat Med 2024; https://doi.org/10.1038/s41591-023-02734-5.
3. Hessler G, Baringhaus K-H. Artificial Intelligence in Drug Design. Molecules2018; 23: 2520; https://doi.org/10.3390/molecules23102520.
4. Hofman CR, Corey DR. Targeting RNA with synthetic oligonucleotides: Clinical success invites new challenges. Cell Chem Biol 2024; 31: 125-138; doi: 10.1016/j.chembiol.2023.09.005.
5. Pantuck A, Lee D‐K, Kee T, et al. Modulating BET Bromodomain Inhibitor ZEN‐3694 and Enzalutamide Combination Dosing in a Metastatic Prostate Cancer Patient Using CURATE.AI, an Artificial Intelligence Platform. Advances in Therapy 2018; https://10.1002/adtp.201800104.
6. Qureshi R, Irfan M, Gondal TM, et al. AI in drug discovery and its clinical relevance. Heliyon 2023; 9: e17575; https://10.1016/j.heliyon.2023.e17575.