Může AI předpovědět výsledek klinického testování léčiv pouze na základě molekulární struktury ?

Pokroky v generativní chemii a simulacích umožňují modelům předpovídat účinnost léků a vedlejší účinky na základě údajů o sloučeninách. Testování této kapacity zpochybňuje tradiční časové osy objevování léků a závislost na klinických testech, což nabízí potenciál snížit náklady a urychlit vývoj léčiv.

Současné systémy umělé inteligence dokážou analyzovat molekulární struktury a předpovídat různé vlastnosti a potenciální biologickou aktivitu sloučenin, což může být užitečné v raných fázích vývoje léků. Předpovídání výsledku klinické studie léčiva pouze na základě molekulární struktury však zůstává složitým úkolem kvůli mnoha faktorům ovlivňujícím výsledky studií, včetně farmakokinetiky, farmakodynamiky a specifických faktorů pacienta. AI modely, zejména ty založené na algoritmech strojového učení a hlubokého učení, prokázaly sliby při předpovídání určitých aspektů chování léčiv, jako je účinnost a toxicita, na základě molekulárních struktur. Tyto modely se mohou učit vzorům z velkých datových souborů známých léků a jejich vlastností a potenciálně identifikovat nové sloučeniny s požadovanými charakteristikami. Navzdory pokrokům je přesné předpovídání výsledků klinických studií pouze na základě molekulární struktury bez dalších údajů, jako jsou výsledky testů in vitro nebo in vivo, stále mimo současné možnosti AI. Výzkumníci nadále pracují na integraci více typů dat a vývoji sofistikovanějších modelů, aby zlepšili přesnost předpovědí. Výzvou je zachycení složitosti lidské biologie a variability v reakcích pacientů v prediktivních modelech. Jak se obor vyvíjí, můžeme očekávat zlepšení schopnosti AI přispívat k vývoji léků, včetně aspektů předpovídání klinických studií.

+- administrováno 13. května 2026 · Zdroj: National Institutes of Health — https://www.nih.gov/