AI và mô hình dự đoán: Cách mạng hóa đánh giá an toàn thuốc với dữ liệu từ con người

Trong cuộc phỏng vấn với News Medical-Life Sciences, James McDonagh, nhà khoa học AI chính tại ApconiX, đã chia sẻ về cách các phương pháp AI hiện đại đang định hình lại việc đánh giá an toàn tiền lâm sàng, hỗ trợ độc chất học liên quan đến con người, và giúp các nhà nghiên cứu đưa ra quyết định sáng suốt hơn trong quá trình phát triển thuốc.

Với kinh nghiệm trong lĩnh vực hóa học tính toán, học máy, nghiên cứu dược phẩm và khoa học an toàn, James nhấn mạnh rằng AI và học máy đã được sử dụng trong khám phá thuốc từ lâu, nhưng sự thay đổi lớn gần đây là ở các lĩnh vực do con người và giao tiếp chi phối. Máy tính giờ có thể tương tác trực tiếp với ngôn ngữ con người và hình ảnh phân tích, mở ra các ứng dụng mới như trợ lý nghiên cứu AI và hỗ trợ soạn thảo hồ sơ.

Vai trò của AI trong đánh giá an toàn

Trong an toàn tiền lâm sàng, tác động lớn nhất là AI làm việc cùng các nhà khoa học an toàn để khai thác dữ liệu quan trọng, kết nối khoa học an toàn với khám phá và lâm sàng, đồng thời xử lý, dự đoán và tóm tắt các kết quả quan trọng. Điều này giúp khoa học an toàn tích hợp chặt chẽ hơn với các chu kỳ thiết kế, tạo ra và kiểm tra trong khám phá, cũng như tiếp xúc sớm hơn với khoa học lâm sàng.

Mô hình QSAR và những thách thức

Mô hình dựa trên dữ liệu như QSAR rất hấp dẫn vì chúng cung cấp các phương pháp nhanh để dự đoán tính chất phân tử. Tuy nhiên, chúng thường không khái quát hóa được trên các không gian hóa học và sinh học đa dạng. Việc chăm chút dữ liệu, đánh giá chất lượng và số lượng là rất quan trọng trước khi xây dựng mô hình. Không có một quy trình làm việc duy nhất; mỗi bộ dữ liệu, mô hình và trường hợp sử dụng đều cần được xem xét cẩn thận.

Tiến bộ trong dự đoán cấu trúc protein

Các phương pháp như AlphaFold và Boltz-2 đã biến đổi cách chúng ta tạo dữ liệu cấu trúc 3D. Dự đoán cấu trúc protein chính xác là một thách thức kéo dài hàng thập kỷ, và mặc dù vẫn còn việc phải làm với các lớp protein ít đại diện, các mô hình này đã mở ra một con đường phi thường.

Mô hình đa đầu ra và tiềm năng học chuyển giao

Chúng ta đã thấy sự tiến bộ trong các mô hình đa đầu ra. Khoảng một thập kỷ trước, các mô hình dự đoán độc tính thường tập trung vào một điểm cuối. Giờ đây, các mô hình đa đầu ra, đặc biệt từ các phương pháp như mạng nơ-ron đồ thị (GNN) và học sâu, có thể dự đoán nhiều điểm cuối cùng lúc, cho phép học chuyển giao giữa các thuộc tính liên quan.

Học máy cổ điển vẫn hữu ích

Học máy cổ điển vẫn rất hữu ích, đặc biệt với các bộ dữ liệu nhỏ, phổ biến trong khám phá ban đầu. Các mô hình này thường có ít tham số hơn, khái quát hóa tốt hơn trong không gian hóa học nhỏ, và nhanh hơn khi huấn luyện trên cơ sở hạ tầng tính toán khiêm tốn. Chúng cũng dễ giải thích hơn vì nhiều mô tả có lý do hóa học hoặc vật lý.

AI hỗ trợ đánh giá an toàn: không thay thế, mà tăng cường

Độc chất học là một lĩnh vực đa dạng, bao gồm hóa học, sinh học và khoa học lâm sàng. Dữ liệu biến đổi rất lớn về khả năng tiếp cận, số lượng, chất lượng, thuật ngữ và định dạng. Một quy trình an toàn được hỗ trợ bởi AI thực tế ngày nay không thay thế nhà độc chất học chuyên gia, mà là tăng cường. Các tác nhân AI và mô hình ngôn ngữ lớn (LLM) có thể tự động tìm kiếm dữ liệu, tổng hợp thông tin, tạo tóm tắt và đồ thị, giúp các nhà khoa học an toàn sử dụng chuyên môn của họ hiệu quả hơn.

Kết hợp AI với xét nghiệm in vitro liên quan đến con người

Một trong những lĩnh vực AI có thể thêm giá trị là giúp chuyển các kết quả thí nghiệm phức tạp thành thông tin có thể hành động cho các nhóm khám phá thuốc. Cả hai phương pháp tính toán và thực nghiệm nên được xem là bổ sung, không cạnh tranh. Ví dụ, xét nghiệm iSLAseizure tạo ra dữ liệu sinh học có liên quan, trong khi AI và học máy giúp khám phá các mẫu trong dữ liệu đó. ApconiX đã phát triển một bộ dữ liệu về nguy cơ co giật nội bộ và phân tích với MedChemica để xác định các cấu trúc con hóa học có liên quan đến co giật.

Giảm thử nghiệm động vật và chấp nhận quy định

Đã có sự thúc đẩy quy định để giảm thử nghiệm động vật, bao gồm các khuôn khổ như REACH của EU và các lộ trình gần đây để loại bỏ thử nghiệm động vật cho an toàn hóa chất. Các phương pháp in silico và in vitro có thể cung cấp bằng chứng hiệu quả, liên quan đến con người, và đa cấp độ. Tuy nhiên, sự chấp nhận quy định vẫn là thách thức vì các tiêu chuẩn khác nhau trên thế giới. Các câu hỏi về phê duyệt mô hình, cập nhật, so sánh và kiểm soát phiên bản cần được giải quyết.

Ứng dụng tại ApconiX

Các công cụ tại ApconiX hiện đang hỗ trợ nội bộ cho các nhà khoa học và cộng tác viên trong việc cung cấp thông tin độc chất học kịp thời, dựa trên bằng chứng và có thẩm quyền. Công việc SAR sơ bộ về nguy cơ co giật đã xác định các mối quan hệ giữa các mẫu cấu trúc hóa học và nguy cơ, có thể được các nhà hóa học khám phá giải thích trực tiếp để giảm thiểu rủi ro ngay từ đầu. Nhóm khoa học dữ liệu cũng đã thu thập các bộ dữ liệu lớn như biểu đồ biểu hiện Acuity để tạo ra các thông tin chi tiết và hình ảnh trực quan.

Tương lai của AI trong khám phá thuốc

AI đang phát triển nhanh chóng, và có nhiều sự cường điệu xung quanh các chiến dịch khám phá thuốc bằng AI. AI chắc chắn là một phần quan trọng của nhiều chương trình khám phá ngày nay, nhưng chúng ta cần thực tế về những gì AI đang làm, nơi con người vẫn đóng vai trò trung tâm, và cách cân bằng đó có thể thay đổi. Các tác nhân AI có thể thực hiện các nhiệm vụ trích xuất dữ liệu và báo cáo với sự hướng dẫn của chuyên gia, giúp tạo ra các bộ dữ liệu lớn hơn, tiêu chuẩn hóa hơn. Tuy nhiên, cần thận trọng và giám sát để xác nhận hành động của chúng.

Quản lý sự không chắc chắn

Sự không chắc chắn và giới hạn mô hình là rất quan trọng trong đánh giá an toàn. Có hai loại không chắc chắn: aleatoric (tính ngẫu nhiên không thể giảm) và epistemic (liên quan đến thiếu kiến thức hoặc ảo giác). Đối với LLM, nhiều phương pháp đo lường tính nhất quán và xác minh độc lập được sử dụng. Đối với mô hình QSAR, các chỉ số thống kê như khoảng tin cậy được dùng để định lượng và truyền đạt sự không chắc chắn. Mục tiêu không phải là giả vờ AI loại bỏ sự không chắc chắn, mà là làm cho nó hiển thị để các nhà khoa học đưa ra quyết định tốt hơn.

Nguồn tham khảo: Bài viết tham khảo từ trang news-medical.net (Nguồn gốc: Link gốc)

Bài viết này mang đến cái nhìn sâu sắc về cách AI và các mô hình dự đoán đang thay đổi ngành dược phẩm, đặc biệt trong lĩnh vực đánh giá an toàn thuốc. Nếu bạn quan tâm đến các sản phẩm hỗ trợ sức khỏe, hãy khám phá thêm các sản phẩm của Mộc Lâm Pharma:

Xem chi tiết sản phẩm Calrosan Extra – Ứng dụng công nghệ Lipocal giúp hấp thu tối ưu, phù hợp với nhu cầu bổ sung vi chất.

---