Kan AI forudsige resultatet af en klinisk lægemiddelforsøg udelukkende baseret på molekylær struktur ?

Fremskridt inden for generativ kemi og simulering gør det muligt for modeller at forudsige lægemidlers effektivitet og bivirkninger ud fra forbindelsesdata. At teste denne kapacitet udfordrer traditionelle lægemiddeludviklingsforløb og afhængigheden af menneskelige forsøg, hvilket potentielt kan reducere omkostninger og fremskynde medicinudviklingen.

Nuværende kunstig intelligens-systemer kan analysere molekylære strukturer for at forudsige forskellige egenskaber og potentielle biologiske aktiviteter af forbindelser, hvilket kan være nyttigt i de tidlige faser af lægemiddeludvikling. Det at forudsige resultatet af en klinisk lægemiddelforsøg udelukkende baseret på molekylær struktur er dog stadig en kompleks opgave på grund af de mange faktorer, der påvirker forsøgsresultaterne, herunder farmakokinetik, farmakodynamik og patient-specifikke faktorer. AI-modeller, især dem baseret på maskinlæring og dyb læring, har vist lovende resultater med at forudsige visse aspekter af lægemiddeladfærd, såsom effektivitet og toksicitet, ud fra molekylære strukturer. Disse modeller kan lære mønstre fra store datasæt med kendte lægemidler og deres egenskaber og potentielt identificere nye forbindelser med ønskede karakteristika. På trods af fremskridt er det stadig ud over de nuværende AI-evner at forudsige kliniske forsøgsresultater udelukkende ud fra molekylær struktur uden yderligere data, såsom resultater fra in vitro- eller in vivo-test. Forskere arbejder fortsat på at integrere flere datatyper og udvikle mere sofistikerede modeller for at forbedre prædiktionens nøjagtighed. Udfordringen ligger i at indfange kompleksiteten af menneskelig biologi og variationen i patienters reaktioner inden for de prædiktive modeller. Efterhånden som feltet udvikler sig, kan vi forvente forbedringer i AI's evne til at bidrage til lægemiddeludvikling, herunder aspekter af forudsigelse af kliniske forsøg.

+- administreret 13. maj 2026 · Kilde: National Institutes of Health — https://www.nih.gov/