Một ứng viên dược phẩm xác định bằng trí tuệ nhân tạo (AI) hiện đang được thử nghiệm lâm sàng để điều trị sẹo phổi cơ bản, một tình trạng gây sẹo phổi. (Credit: Science Photo Library)
Trong suốt hàng thập kỷ, các nhà nghiên cứu đã tìm cách tăng tốc độ phát hiện dược phẩm. Tuy nhiên, quá trình này đã trở nên chậm hơn, nguy hiểm hơn và đắt đỏ hơn. Thông thường, mất từ 12-15 năm từ khi chương trình phát hiện được khởi đầu cho đến thời điểm cơ quan quản lý dược phẩm quốc gia cấp phép tiếp thị (1). Khoảng chín trong mười loại thuốc thử nghiệm lâm sàng không được chấp thuận. Ước tính cho rằng việc đưa một loại thuốc ra thị trường có chi phí khoảng 2,5 tỷ USD (2), sau khi tính đến chi phí của các chương trình thành công và thất bại trên thảm dẫn.
Mặc dù các công ty dược phẩm đã thành lập đang gặp khó khăn trong việc đổi mới, nhưng ngày nay xuất hiện nhiều khẳng định rằng trọng tâm đổi mới hiện tại - trí tuệ nhân tạo sinh sản (AI) - đang rút ngắn đáng kể các giai đoạn trước thử nghiệm lâm sàng, khi loại thuốc được thử nghiệm trên con người. Nhưng liệu có đúng như vậy?
Phát triển dược phẩm bao gồm một số bước cụ thể. Thông thường, nó bắt đầu với việc xác định một mục tiêu sinh học có trách nhiệm với một căn bệnh - các khả năng bao gồm DNA, RNA, một nơi gắn kết protein hoặc một enzyme - và sau đó sàng lọc các phân tử tiềm năng có thể tương tác với nó. Đây được gọi là giai đoạn "phát hiện". Đối với phần lớn các loại thuốc, các ứng viên kết quả thường là các phân tử nhỏ, và các nhà hóa dược học làm việc để cải thiện hoạt tính của chúng và giảm bớt các vấn đề liên quan. Nếu thành công, các nhà nghiên cứu phát triển một phân tử tiên phong để đưa vào giai đoạn tiếp theo - kiểm tra trước lâm sàng. Điều này bao gồm các kiểm tra giúp các nhà khoa học hiểu cách một ứng cử viên dược phẩm được vận chuyển, phân hủy và bài tiết bởi cơ thể động vật. Công việc cũng đáp ứng các câu hỏi về an toàn và liều lượng, trước khi một loại thuốc được chấp thuận để thử nghiệm lâm sàng.
Cả giai đoạn phát hiện và giai đoạn kiểm tra trước lâm sàng mất trung bình sáu năm (1). Vào tháng hai năm 2022, các nhà nghiên cứu tại Boston Consulting Group (BCG), đóng tại Massachusetts, đã báo cáo về việc xem xét các đường ống nghiên cứu của 20 công ty dược phẩm mới có sử dụng AI từ năm 2010 đến năm 2021.
Dựa trên dữ liệu công khai, nhóm BCG đã xác định khoảng 15 ứng cử viên thuốc đã đạt giai đoạn thử nghiệm lâm sàng. Sau đó, nhóm đã tái tạo lại tiến độ phát triển của tám trong số chúng 3. Các chuyên gia tư vấn phát hiện rằng tám trong số đó đã đạt giai đoạn thử nghiệm lâm sàng trong vòng mười năm. Trong số đó, có năm ứng cử viên đã hoàn thành quá trình này nhanh hơn so với thời gian trung bình lịch sử.
Một báo cáo khác, được công bố vào tháng 6 và được cộng tác viết bởi BCG và nhà tài trợ nghiên cứu Wellcome, cho biết trí tuệ nhân tạo có thể mang lại "tiết kiệm thời gian và chi phí ít nhất là 25-50%" trong việc khám phá thuốc cho giai đoạn tiền lâm sàng (xem go.nature.com/46nkwcm).
Một công ty dược phẩm, Insilico Medicine, có trụ sở chung tại New York và Hồng Kông, đã công bố vào tháng 2 vừa qua rằng họ đã tiến đến các thử nghiệm lâm sàng giai đoạn I với một ứng cử viên dược phẩm do trí tuệ nhân tạo thiết kế. Phân tử này nhắm vào tình trạng sẹo phổi tự phát, một căn bệnh nghiêm trọng dẫn đến việc làm sẹo phổi không thể điều trị. Ứng cử viên dược phẩm đã hoàn thành giai đoạn khám phá và tiền lâm sàng trong vòng chỉ 30 tháng. Vào tháng 6, công ty bắt đầu giai đoạn II, nghiên cứu sâu hơn về hiệu quả làm việc của một ứng cử viên.
Đây là những tiến bộ đáng chú ý và chắc chắn sẽ thúc đẩy đầu tư. Mặc dù công nghệ vẫn còn rất trẻ, nhưng 20 công ty tập trung vào trí tuệ nhân tạo trong phân tích của BCG năm 2022 đã có 158 ứng cử viên dược phẩm trong quá trình khám phá và phát triển tiền lâm sàng. Con số này so sánh với con số 333 ứng cử viên tại 20 công ty dược lớn nhất thế giới theo doanh thu.
Tuy nhiên, những tuyên bố này đến từ những công ty tự mình. Cho đến khi chúng có thể được xác minh độc lập, cần thận trọng. Các kết quả cần được công bố trong văn bản được đánh giá bởi người đồng nghiệp và được xác minh bởi các nhà nghiên cứu không liên quan đến các công ty liên quan.
Và còn nhiều khó khăn khác trong việc thực hiện lợi ích của trí tuệ nhân tạo. Hệ thống dựa trên trí tuệ nhân tạo tạo ra các phân tử thuốc ứng viên bằng cách sử dụng các mẫu học từ dữ liệu huấn luyện để tạo ra dữ liệu mới có các đặc tính tương tự. Điều này có thể gây ra vấn đề. Khi đáp ứng các câu hỏi của người dùng, chatbot ChatGPT đôi khi tạo ra những câu trả lời giả; trong việc khám phá thuốc, vấn đề tương đương dẫn đến việc đề xuất các chất liệu không thể sản xuất. Những vấn đề như vậy có thể được vượt qua bằng cách viết thủ công kiến thức về cấu trúc phân tử và với sự trợ giúp của các công cụ trí tuệ nhân tạo khác.
Trí tuệ nhân tạo và khoa học: suy nghĩ của 1.600 nhà nghiên cứu
Cuối cùng, để hệ thống trí tuệ nhân tạo (AI) học và cải thiện, ai đó cần phải tạo ra và kiểm tra các phân tử mà họ đề xuất. Kết quả sau đó phải được đưa vào lại hệ thống AI. Các nhóm tính toán học trong học thuật có thể giúp đỡ một phần bằng cách dự đoán các đặc tính của các phân tử, nhưng các giá trị dự đoán chỉ có thể xác minh mô hình một phần. Các công ty dược phẩm thực sự có cách để tạo ra và kiểm tra các phân tử mà hệ thống AI của họ đề xuất. Tuy nhiên, họ thường giữ kết quả của mình bí mật, một phần để tránh bị đối thủ "vượt mặt". Sự cần thiết về sự nghiêm ngặt, an toàn, hiệu quả và sự tin tưởng vào các loại thuốc mới có nghĩa là phải tìm ra một hướng đi — như điểm được nhắc lại tháng trước bởi các nhà nghiên cứu tại công ty dược phẩm Amgen ở Thousand Oaks, California4.
Nhưng điều này không thay đổi sự thật rằng quá trình khám phá thuốc luôn luôn liên quan đến một lượng may mắn rất lớn. Ngay cả khi AI giảm thời gian và chi phí để đưa một hợp chất vào quá trình thử nghiệm tiền lâm sàng và có thể làm cho nó đi qua, hầu hết các ứng cử viên thuốc vẫn sẽ thất bại ở các giai đoạn sau. Nhưng bất cứ điều gì có thể làm cho quá trình nhanh chóng đều mang lại lợi ích. Công nghiệp và học thuật phải tận dụng sức mạnh của nhau để xác định cách AI có thể được sử dụng hiệu quả nhất.
doi: https://doi.org/10.1038/d41586-023-03172-6
Tài liệu tham khảo
- Paul, S. et al. Nature Rev. Drug Discov. 9, 203–214 (2010).
- DiMasi, J. A., Grabowski, H. G. & Hansen, R. W. J. Health Econ. 47, 20–33 (2016).
Google Scholar
- Jayatunga, M. K. P., Xie, W., Ruder, L., Schulze, U. & Meier, C. Tạp chí Nature Rev. Drug Discov. 21, 175–176 (2022).
- Mock, M., Edavettal, S., Langmead, C. & Russell, A. Tạp chí Nature 621, 467–470 (2023).
