Kan AI förutsäga resultatet av en klinisk läkemedelsprövning baserat endast på molekylär struktur ?

Framsteg inom generativ kemi och simulering möjliggör för modeller att förutsäga läkemedelseffektivitet och biverkningar utifrån föreningsdata. Att testa denna kapacitet utmanar traditionella läkemedelsutvecklingstider och beroendet av mänskliga försök, vilket erbjuder potential att minska kostnader och påskynda läkemedelsutvecklingen.

Dagens artificiella intelligenssystem kan analysera molekylära strukturer för att förutsäga olika egenskaper och potentiella biologiska aktiviteter hos föreningar, vilket kan vara användbart i de tidiga stadierna av läkemedelsutveckling. Att förutsäga resultatet av en klinisk läkemedelsstudie enbart baserat på molekylär struktur är dock fortfarande en komplex uppgift på grund av de många faktorer som påverkar studieresultat, inklusive farmakokinetik, farmakodynamik och patient-specifika faktorer. AI-modeller, särskilt de som bygger på maskininlärnings- och djupinlärningsalgoritmer, har visat lovande resultat när det gäller att förutsäga vissa aspekter av läkemedelsbeteende, såsom effektivitet och toxicitet, utifrån molekylära strukturer. Dessa modeller kan lära sig mönster från stora datamängder med kända läkemedel och deras egenskaper, vilket potentiellt kan identifiera nya föreningar med önskade egenskaper. Trots framsteg är det fortfarande utom räckhåll för dagens AI att exakt förutsäga resultatet av kliniska studier enbart utifrån molekylär struktur utan ytterligare data, såsom resultat från in vitro- eller in vivo-tester. Forskare fortsätter att arbeta med att integrera fler datatyper och utveckla mer sofistikerade modeller för att förbättra den prediktiva noggrannheten. Utmaningen ligger i att fånga komplexiteten i mänsklig biologi och variationen i patienters reaktioner inom de prediktiva modellerna. Allteftersom området utvecklas kan vi förvänta oss förbättringar av AI:s förmåga att bidra till läkemedelsutveckling, inklusive aspekter av förutsägelse av kliniska studier.

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