Medicína a AI, díl 4: objev léku se musí změnit v důkaz u lidí

Umělá inteligence vstupuje do vývoje léků v lákavém okamžiku příběhu: dřív, než jsou vidět drahá selhání. Model může porovnat struktury proteinů, aktivitu genů, dráhy nemoci, chemické knihovny a starší výsledky testů, a potom seřadit cíle nebo navrhnout molekuly, které stojí za vyzkoušení. To je skutečně užitečné. Zároveň to může vytvářet dojem, že složitý medicínský problém se změnil v problém vyhledávání. Čtvrtý díl série o medicíně a AI je právě o této mezeře: o vzdálenosti mezi slibným výstupem modelu a lékem, který pomáhá pacientům.


Mechanismus začíná zužováním možností. AlphaFold od DeepMind změnil očekávání tím, že předpověděl struktury mnoha proteinů a dal vědcům lepší mapy tvarů, které ovlivňují vazbu a funkci. Jiné systémy prohledávají chemický prostor, odhadují toxikologické signály, navrhují nové použití starších látek nebo seskupují pacienty, u nichž může nemoc reagovat jinak. Firmy jako Insilico Medicine, Recursion a Exscientia staví na různých částech této pipeline a akademické týmy používají strojové učení při hledání antibiotik, proteinových návrhů nebo vhodných cílových ukazatelů studií. Nejlepší verze není robotický lékárník. Je to filtr, který pomáhá lidským týmům vybrat experimenty hodné omezeného času a peněz.

První zkouška optimismu přichází v chemii. Molekula, která v modelu vypadá elegantně, se může špatně syntetizovat, rozpadat v krvi, špatně vstřebávat, rychle metabolizovat v játrech nebo působit na nechtěný cíl. Testy na buňkách a zvířatech odstraní mnoho falešných stop, ale mají vlastní limity, protože miska, myš ani organoid nejsou celý pacient s věkem, těhotenstvím, nemocnými ledvinami, dalšími léky a nerovným přístupem ke zdravotní péči. AI může pomoci vybrat experimenty; nemůže z nich udělat zbytečnost.


Klinická cesta je záměrně pomalá. Studie fáze 1 se obvykle ptá na bezpečnost, snášenlivost a dávku u desítek dobrovolníků nebo pacientů. Fáze 2 hledá první signál účinnosti, vhodnou dávku a chování cílových ukazatelů. Fáze 3 může zahrnovat stovky až tisíce lidí na mnoha pracovištích a testuje, zda přínosy převažují nad riziky v populaci dostatečně podobné skutečnému použití. Regulační úřady, například U.S. Food and Drug Administration a European Medicines Agency, hodnotí výsledky u pacientů, kvalitu výroby, integritu protokolu a nežádoucí účinky, ne jen to, jak působivý byl model ve fázi objevování.

AI přesto může klinické studie zlepšit prakticky. Může vyhledat pacienty, jejichž biomarkery odpovídají mechanismu, snížit počet zbytečných screeningů, označit vzory nežádoucích příhod, simulovat části logistiky studie nebo pomoci vybrat cílový ukazatel citlivý na změnu. Stejně tak může studie zhoršit, pokud trénovací data nadměrně zastupují bohaté zdravotní systémy, pokud je podskupina vyřazena proto, že je statisticky nepohodlná, nebo pokud černá skříňka zakryje křehký předpoklad. V medicíně čistší datový soubor neznamená automaticky spravedlivější ani bezpečnější studii.

Limity jsou etické i technické. Model trénovaný na včerejší publikované biologii může minout neměřenou imunitní dráhu. Model optimalizovaný na vazbu může ignorovat formulaci nebo výrobu. Zpětně úspěšný výsledek může zmizet v prospektivní studii. I když AI pomůže vytvořit kandidáta rychleji, o přínosu pro pacienty rozhodují patenty, cena, dostupnost studií a sledování po uvedení na trh. Užitečná budoucnost je proto méně teatrální než slogan „AI objevuje léky“. Je to disciplinovaná spolupráce: modely rychleji vytvářejí hypotézy, laboratoře je chytřeji testují, klinici chrání pacienty ve studiích a regulátoři trvají na tom, že poslední slovo patří důkazům u lidí.