In dit tweede artikel kijkt Valérie Kokoszka, doctor in de filosofie, naar de veranderingen die artificiële intelligentie teweegbrengt in het farmaceutisch en biomedisch onderzoek. Moleculaire screening, biologische modellering, therapeutische herpositionering: dit zijn allemaal gebieden waar AI de onderzoeker niet vervangt, maar een actieve partner wordt in een digitale pijplijn die nu centraal staat bij de wetenschappelijke innovaties.
AI is in staat om immense chemische ruimten te verkennen, complexe biologische gegevens met elkaar te vergelijken en ongekende correlaties te onthullen. Het komt op als een krachtig hulpmiddel om innovatie te versnellen. Virtuele screening van veelbelovende moleculen, modellering van moleculaire interacties, analyse van 'omics'-gegevens, optimalisering van klinische studies, herpositionering van geneesmiddelen en Computer-Aided Drug Design: dat zijn de grote toepassingsgebieden. Pharma 4.0 maakt hier volop gebruik van, net als het Belgische ecosysteem van ziekenhuizen en onderzoekscentra, belangrijke spelers in digitale R&D.
De meest spectaculaire doorbraken met AI komen niet voort uit dit fantasiescenario, waarbij onderzoekers AI voeden met gegevens en waarop het algoritme dan op een min of meer ondoorzichtige manier zijn ding doet, wat dan leidt tot onverwachte resultaten. Integendeel, ze zijn het resultaat van de voortdurende samenwerking tussen onderzoekers, laboratoria en algoritmen. Naast die belangrijke ontdekkingen, kwamen er ook Halicin (2020) en Abaucin (2023) bij, middelen die horen bij een nieuwe klasse antibiotica. Zo werd onderzoek dat decennialang stagneerde, nieuw leven ingeblazen. In beide gevallen identificeerden verklaarbare deep learning-modellen moleculen die actief zijn tegen resistente stammen (respectievelijk E. coli en Acinetobacter baumannii). De echte drijvende kracht achter het onderzoek is echter een permanente feedbacklus:
a) de onderzoekers hebben de trainingsspellen gekozen en aangepast,
b) AI produceerde scores, chemische patronen en hypotheses,
c) de resultaten werden getest in het laboratorium,
d) met de feedback werden de modellen bijgestuurd.
AI is verre van autonoom, maar fungeert als een partner die voortdurend door mensen wordt begeleid. Het is die verkennende en herhaalde feedbacklus die de machine in staat heeft gesteld om wetenschappelijk relevante voorstellen te genereren.
De eis naar verklaarbaarheid is des te crucialer omdat, zowel in de biowetenschappen als in de geneeskunde, een beslissing een begrijpelijke rechtvaardiging vereist. Vandaar de groeiende interesse in verklaarbare algoritmen: ze maken de redenen voor een voorspelling zichtbaar, waardoor onderzoekers de voorstellen van de machine kunnen koppelen aan bekende biologische mechanismen. Dat is ook een van de redenen voor het succes van knowledge graphs (KG). Dat zijn semantische netwerken en gegevensstructuren die verschillende entiteiten (moleculen, genen, ziekten) en relaties (remmen, veroorzaken, behandelen...) met elkaar verbinden. In R&D kunnen ze worden gebruikt om de complexe verbanden tussen biologische, klinische en chemische gegevens in kaart te brengen. Ze maken het makkelijker om nieuwe doelwitten te ontdekken, geneesmiddelen te herpositioneren (repurposing) en bijwerkingen te identificeren.
Repurposing is ongetwijfeld nog zo'n spannende innovatieve strategie. Hierbij worden nieuwe therapeutische indicaties voor reeds bestaande en goedgekeurde geneesmiddelen geïdentificeerd (denk aan het historische voorbeeld van aspirine als bloedverdunner). Daardoor worden kosten, risico's en ontwikkelingstijden teruggedrongen. Het heeft met name de beschikbaarheid van bekende antivirale middelen (remdesivir, atazanavir, ritonavir enz.) versneld om oplossingen te bieden voor patiënten met COVID-19. Maar meer dan op hergebruik is repurposing gericht op een breder therapeutisch gebruikvan recente moleculen zoals GLP-1.
Het gebruik van AI in R&D werpt daardoor des te meer vruchten af, omdat het polymorf, multidimensionaal en multitemporeel is. Het speelt met verleden en toekomst, in voortdurende interactie met de vooruitgang in het wetenschappelijke onderzoek en de toevloed van gegevens, om de therapeutische pijplijn te voeden én nieuw leven in te blazen.
Lees ook : AI en de metamorfosen van de gezondheidszorg ( V. Kokoszka )
