KI

Abgelegt unter:

Es dauert ewig, bis Medikamente auf den Markt kommen. KI könnte helfen, den Prozess zu beschleunigen.

Die besten Wege finden, Gutes zu tun.

Im Roman und Film „2001: Odyssee im Weltraum“ von 1968 tötet das künstliche Intelligenzsystem Hal (kurz für HAL 9000) die Astronauten seines Raumschiffs.

In Wirklichkeit bezieht sich der Spitzname Hal auf eine andere Art von Killer: nicht auf Menschen, sondern auf Bakterien.

Im Februar 2020 – mehr als fünf Jahrzehnte nachdem der Science-Fiction-Film der Welt den vielleicht ersten großen KI-Bösewicht vorstellte – nutzte ein Forscherteam des Massachusetts Institute of Technology künstliche Intelligenz, um ein Antibiotikum zu entdecken, das in der Lage ist, E. coli abzutöten, die ins Krankenhaus eingeliefert werden Tausende von Menschen pro Jahr sowie ein antibiotikaresistenter Stamm einer anderen häufigen bakteriellen Infektion, Acinetobacter baumannii. Und sie nahmen eine Seite aus dem Jahr 2001 und nannten sie Halicin, nach HAL 9000.

Die Entdeckung von Halicin zeigt, wie schnell die KI-gestützte Arzneimittelentwicklung sein kann. Wissenschaftler trainierten ihr KI-Modell, indem sie es an etwa 2.500 Molekülen testeten (davon waren 1.700 von der FDA zugelassene Arzneimittel und 800 Naturprodukte). Nachdem die Forscher das Modell trainiert hatten, um zu verstehen, welche Moleküle E. coli abtöten könnten, ließ das Team 6.000 Verbindungen durch das System laufen, darunter bestehende Medikamente, fehlgeschlagene Medikamente, Naturprodukte und eine Vielzahl anderer Verbindungen.

Das System fand Halicin in einem Bruchteil der Zeit, die herkömmliche Methoden benötigen würden, sagte Bowen Lou, Assistenzprofessor an der School of Business der University of Connecticut, der untersucht, wie KI die Pharmaindustrie verändert. „Halicin kann nicht nur viele Arten antibiotikaresistenter Bakterien abtöten, es unterscheidet sich auch strukturell von früheren Antibiotika“, sagte er in einer E-Mail. „Diese Entdeckung ist bahnbrechend, da antibiotikaresistente ‚Superkeime‘ ein großes Problem der öffentlichen Gesundheit darstellen, das mit herkömmlichen Methoden weitgehend nicht angegangen werden kann.“

„Die Idee, dass man die Strukturen eines kleinen Moleküls betrachten und seine Eigenschaften vorhersagen kann, ist eine sehr alte Idee. Die Leute haben sich das so vorgestellt: Wenn man einige Strukturen innerhalb des Moleküls, einige funktionelle Gruppen usw. identifizieren kann, kann man sozusagen sagen: ‚Was macht es?‘“, sagte Regina Barzilay, eine angesehene Professorin für KI und Gesundheit mit der School of Engineering des MIT und Co-Autor einer Studie vom Mai 2023, die einen weiteren potenziellen Antibiotika-Kandidaten identifizierte, indem sie auf den Methoden der ersten Halicin-Studie aufbaute.

Vor dem Einsatz von KI bestand die Herausforderung bei der Entdeckung dieser Strukturen und der Identifizierung des potenziellen Nutzens eines Medikaments in erster Linie aus Geschwindigkeit, Effizienz und Kosten. Frühere Analysen zeigen, dass der typische Prozess der Arzneimittelentdeckung und -entwicklung zwischen Anfang der 1990er und Ende der 2000er Jahre 12 Jahre oder länger dauerte. Im Fall von Halicin nutzte das MIT-Team KI, die innerhalb weniger Tage mehr als 100 Millionen chemische Verbindungen testen kann. „Es wurde deutlich, dass die Molekularwissenschaft wirklich ein guter Ort ist, um maschinelles Lernen anzuwenden und neue Technologien zu nutzen“, sagte Barzilay.

Angesichts der Tatsache, dass jedes Jahr mindestens 700.000 Todesfälle auf arzneimittelresistente Krankheiten zurückzuführen sind – eine Zahl, die bis 2050 voraussichtlich auf 10 Millionen Todesfälle pro Jahr ansteigen wird – ist die Notwendigkeit, schnell zu sein, besonders angesichts der Tatsache, dass die Fortschritte bei der Arzneimittelentwicklung in den letzten Jahrzehnten ins Stocken geraten sind. Seit 1987, dem Jahr, in dem Wissenschaftler die letzte erfolgreiche Antibiotikaklasse zur Behandlung von Patienten identifizierten, befindet sich die Welt in dem, was Wissenschaftler als „Entdeckungslücke“ bezeichnen.

Entscheidend ist, dass KI große Mengen medizinischer Daten analysieren kann und, wie die Entdeckung von Halicin zeigt, den Prozess der Arzneimittelentwicklung erheblich beschleunigen kann. Diese neue Technologie treibt weiterhin bedeutende Fortschritte im medizinischen Bereich voran und birgt das Potenzial, die Patientenergebnisse zu verbessern und präzisere Behandlungsmethoden zu ermöglichen. Es könnte auch die Kosten senken, was für die Entwicklung von Antibiotika von entscheidender Bedeutung wäre, da zumindest ein Teil der Stagnation der Branche nicht auf die Unfähigkeit, neue Medikamente zu identifizieren, sondern auf mangelndes Interesse und Anreize des Marktes zurückzuführen ist.

„Die Tatsache, dass 90 Prozent der Medikamente in der Klinik versagen, zeigt uns, dass es Raum für Verbesserungen gibt. Es ist ein wirklich komplexes System. Genau dafür ist maschinelles Lernen gemacht: wirklich komplexe Systeme“, sagte Chris Gibson, Mitbegründer und CEO des Biotech-Unternehmens Recursion, gegenüber Vox über die jüngsten Durchbrüche im Bereich der Arzneimittelforschung. „Das bedeutet nicht, dass wir die Rolle, die Menschen in vielerlei Hinsicht spielen, loswerden, aber es stärkt unsere Wissenschaftler und macht sie zu Superwissenschaftlern, die über diese Werkzeuge verfügen, um schneller voranzukommen und umfassendere Forschungen durchzuführen.“

Um es klar zu sagen: Die KI-Programme, die Forscher für die Arzneimittelforschung nutzen, unterscheiden sich stark von den KI-Kreationen der Science-Fiction-Literatur. Diese Fortschritte in der pharmazeutischen Entwicklung bedeuten nicht, dass Roboterärzte in naher Zukunft den medizinischen Bereich beherrschen werden. Aber Halicin und andere aktuelle Durchbrüche verdeutlichen die Fähigkeit der KI, die Pharmaindustrie zu verändern und mehr als drei Jahrzehnte der Lücke in der Antibiotika-Entdeckung zu überbrücken.

Sprachmodelle und Bildgeneratoren wie ChatGPT von OpenAI, Bard von Google und Midjourney führten viele in das Konzept der KI ein, als sie Ende 2022 und Anfang 2023 auf breiter Front eingeführt wurden. Aber Wissenschaftler nutzen KI – gewissermaßen – schon seit Jahrzehnten.

1965 versuchten Forscher der Stanford University, mithilfe eines Computerprogramms chemische Verbindungen zu identifizieren. Das DENDRAL-Projekt gilt als „erste Anwendung von KI auf ein Problem des wissenschaftlichen Denkens“ und ebnete den Weg für zukünftige Anwendungen der Technologie in der wissenschaftlichen Gemeinschaft.

Fast ein Jahrzehnt später führten Wissenschaftler in Stanford weitere Entwicklungen in der medizinischen KI an, als sie das Computersystem MYCIN entwickelten, das Gesundheitspersonal dabei half, durch Blut übertragene bakterielle Infektionen bei Patienten zu diagnostizieren. Dieses regelbasierte System stellte eine Reihe von Fragen zu Symptomen, Krankengeschichte, Testergebnissen und verschiedenen anderen Faktoren und generierte eine Antwort mit der Wahrscheinlichkeit einer bestimmten Diagnose.

Die Starrheit regelbasierter Systeme bedeutet jedoch, dass ihnen die nötige Präzision fehlt, um im sich ständig verändernden medizinischen Bereich erfolgreich zu sein. (Regelbasierte Systeme lernen keine neuen Informationen, es sei denn, jemand ändert die Regeln des Programms manuell.)

Dennoch entwickelten mehrere Institutionen und Wissenschaftler in den späten 1970er und 1980er Jahren wissensbasierte KI-Systeme zur Diagnose von Krankheiten, darunter INTERNIST-I, CASNET und QMR.

Aber je nach Ihrer Definition von KI gelten diese frühen Technologien noch nicht einmal als solche. „Viele Parteien, mit denen Sie in unserer Branche sprechen könnten, werden sagen, dass KI schon seit vielen Jahrzehnten oder zumindest seit über einem Jahrzehnt existiert“, sagte Alex Zhavoronkov, CEO des in Hongkong ansässigen KI-Wirkstoffforschungsunternehmens Insilico Medicine. „Sie werden Recht haben, wenn Sie jede Form des maschinellen Lernens als KI definieren.“ (Ein MIT-Artikel definiert maschinelles Lernen als die Fähigkeit einer Maschine, „intelligentes menschliches Verhalten nachzuahmen“.)

Zhavoronkov hat eine engere Definition der KI-Arzneimittelforschung und sagt, sie beziehe sich speziell auf die Anwendung von Deep Learning und generativem Lernen im Bereich der Arzneimittelforschung. Deep Learning ist eine Form des maschinellen Lernens, bei der künstliche neuronale Netze (ähnlich, aber nicht genau wie die Neuronen in unserem Gehirn) es einer Maschine ermöglichen, unabhängig von menschlichem Eingreifen zu lernen und sich weiterzuentwickeln.

Die „Deep-Learning-Revolution“ – eine Zeit, in der die Entwicklung und Nutzung der Technologie explodierte – nahm etwa im Jahr 2014 ihren Lauf, sagte Zhavoronkov.

In den 2000er Jahren sahen Pharmariesen und mutige Start-ups eine Chance, den Arzneimittelentwicklungsprozess zu beschleunigen. Zwischen 2008 und 2015 wurden viele Unternehmen gegründet, die sich auf die Entdeckung von KI-Medikamenten konzentrierten, darunter Evaxion, Exscientia, Recursion, Benevolent AI und Insilico Medicine. Die Branche wuchs Ende der 2010er Jahre noch weiter, als Big Pharma begann, einige dieser neuen Start-ups zu unterstützen.

„Es ist erwähnenswert, dass frühere IT-Generationen bei der Arzneimittelforschung nur begrenzte Erfolge erzielten“, sagte Lou. „Die jüngsten Fortschritte in der KI haben zu einer erheblichen Veränderung dieser Landschaft geführt. KI mit ihren leistungsstarken Algorithmen und datengesteuerten Ansätzen hat das Potenzial, den Prozess der Entdeckung neuer Medikamente zu revolutionieren.“

Laut einer Reihe von Experten, die mit Vox sprachen, hat die Katalogisierung biologischer und chemischer Informationen zu den jüngsten Durchbrüchen bei Arzneimitteln beigetragen.

Im Jahr 2018 entwickelte DeepMind, ein von Google unterstütztes KI-Forschungslabor, Alphafold, ein Netzwerk, das die Struktur eines Proteins anhand seiner Bausteine ​​bestimmen kann. „Meiner Meinung nach ist Alphafold von DeepMind der grundlegendste Game-Changer [in der medizinischen KI], der mittlerweile die Struktur praktisch aller uns bekannten Proteine ​​vorhergesagt und unser Verständnis der Biologie grundlegend erweitert hat“, sagte Swarat Chaudhuri, Professor für Informatik an der University of Texas Austin, teilte Vox in einer E-Mail mit. „Die Erkenntnisse von Alphafold haben bereits massive Auswirkungen auf die Medikamenten- und Impfstoffentwicklung.“

Wissenschaftler haben auch Verbindungen oder Moleküle in chemischen Bibliotheken aufgelistet, beispielsweise im weit verbreiteten Enamine REAL Space, der 36 Milliarden neuartige Moleküle enthält. Arzneimittelentwicklungs- und Pharmaunternehmen bestellen Moleküle bei Enamine Real und bewerten dann, ob dieses Molekül die gewünschte Wirkung auf das untersuchte Protein hat (dessen Struktur dank Alphafold und anderer ähnlicher Software bekannt ist).

Die Kenntnis der Struktur dieser Proteine ​​und der Zugriff auf eine Molekülbibliothek sind entscheidend für die Bestimmung des potenziellen Nutzens eines Arzneimittelkandidaten. Im Fall von Halicin fanden die Forscher einen erfolgreichen Antibiotika-Anwärter in einer Bibliothek von nur 6.000 Verbindungen.

Mit Milliarden von Datenpunkten ist das Potenzial für die Entdeckung neuer Arzneimittel enorm, und neue Fortschritte könnten den Prozess weiter beschleunigen. Am 8. August gab Recursion bekannt, dass es in Zusammenarbeit mit Nvidia vorhergesagt hat, wie die 36 Milliarden Zielmoleküle in der Bibliothek von Enamine Real mit etwa 80.000 Taschen oder Proteinbindungsstellen in über 15.000 Proteinen interagieren. Die Rekursion wertete rund 2,8 Billiarden Arzneimittel-Ziel-Paare aus, der erste Schritt zur Identifizierung neuer Arzneimittel.

„Stellen Sie sich das wie Schlösser und Schlüssel vor“, sagte Gibson. Die Zielmoleküle sind die Schlüssel und die Proteintaschen die Schlösser. „Die Idee eines Medikaments ist in vielen Fällen wie ein Schlüssel. Man findet einen ganz bestimmten Schlüssel, der zu einem ganz bestimmten Schloss passt.“ Die Arbeit von Rekursion bedeutet, dass alle Moleküle in dieser Bibliothek (nicht nur diejenigen mit einer ähnlichen Struktur wie bekannte nützliche Verbindungen) berücksichtigt und getestet werden können.

Die Entwicklung der Rekursion macht es einfacher zu wissen, welche Schlüssel zu welchen Schlössern passen, aber ihre Vorhersagen sind nicht perfekt. „Es wird zu einer Datenschicht, auf der wir schnelle Suchvorgänge durchführen können“, sagte Gibson. „So wie ein Google-Suchergebnis nicht immer genau das ist, wonach Sie suchen, werden die häufigsten Suchanfragen zusammengefasst ... und normalerweise ist das, was Sie suchen, unter den ersten fünf. Hier ist es das Gleiche. Wir können 2,8 Billiarden Parameter nehmen und im Grunde sagen: „Wenn Sie einen Inhibitor dieses bestimmten Proteins suchen, finden Sie hier die Moleküle, mit denen Sie beginnen könnten.“

Laut Gibson führt das Labor von Recursion derzeit alle 15 Minuten so viele Experimente durch wie er in seinem gesamten fünfjährigen Doktorandenprogramm. „Es geht fast darum, eine handwerkliche und maßgeschneiderte Wissenschaft der alten Tage in eine industrialisierte Wissenschaft umzuwandeln“, sagte er. „Es ist fast so, als ob die Herstellung von Automobilen von handgefertigten Automobilen – jedes ein bisschen individuell – ans Fließband ging.“

Biologische Werkzeuge, Roboterautomatisierung und verbesserte Berechnungen sowie andere technologische Fortschritte haben allesamt dazu beigetragen, den Bereich der Arzneimittelforschung und -entwicklung voranzutreiben, sagte Gibson. KI leistet einfach einen entscheidenden Beitrag zu diesen Verbesserungen.

KI-Systeme können noch nicht jeden Teil des Arzneimittelentwicklungsprozesses alleine bewältigen, insbesondere in den späten Phasen. Um auf Gibsons Analogie zur Automobilherstellung zurückzukommen, sagt er, dass sich die Arzneimittelforschung derzeit auf dem Stand der Ford Motor Company befindet, als Gründer Henry Ford witzelte: „Jeder Kunde kann ein Auto in jeder gewünschten Farbe lackieren lassen, solange es schwarz ist.“

„Wir stehen noch am Anfang, da einige dieser Datensätze weniger flexibel sind, aber sie sind auf eine standardisierte Weise aufgebaut, die den Durchbruch des maschinellen Lernens ermöglicht“, sagte Gibson.

Im Juni begann Insilico Medicine mit klinischen Studien für „das erste vollständig generative KI-Medikament, das klinische Studien am Menschen erreichte“, sagte Zhavoronkov gegenüber CNBC. Das Medikament INS018_055 zielt auf die Behandlung von idiopathischer Lungenfibrose, einer chronischen Lungenerkrankung, ab und basiert Berichten zufolge sowohl auf einem von der KI entdeckten Ziel als auch auf einem von der KI generierten Design. Insilico setzt in seinem Target-Discovery-Labor sogar Roboter ein, um seine niedermolekularen Arzneimittelkandidaten zu entwickeln.

Medikamentenkandidaten benötigen in der Regel mindestens sechs bis sieben Jahre, um alle notwendigen Versuche am Menschen zu bestehen, sagte Zhavoronkov, und die ersten wirklich KI-generierten Medikamentenkandidaten tauchten erst vor etwa vier Jahren auf. „Das ist der Grund, warum wir keine KI-generierten Medikamente auf dem Markt gesehen haben“, sagte er. „Viele dieser Medikamente, bei denen es sich um echte KI-Medikamente handelt, wurden erst vor ein paar Jahren entwickelt, sodass sie nicht die Zeit hatten, in klinische Studien am Menschen einzusteigen. Wir sind meiner Meinung nach die Ersten mit einem echten generativen KI-Medikament.“

Dennoch sind wir laut Gibson weit davon entfernt, Menschen vollständig aus dem Prozess der Arzneimittelentwicklung auszuschließen. „Es ist wichtig zu wissen, dass [maschinelles Lernen und KI] ein unglaubliches Werkzeug sind und uns bei richtiger Anwendung bei vielen Schritten im Prozess helfen können. „Die Vorstellung, dass jemand in einem KI-Algorithmus die Eingabetaste drückt und ein Medikament einfach herausspringt, ist meiner Meinung nach ein Trugschluss“, sagte Gibson. „Ich bin zuversichtlich, dass es heute keine solche Technologie gibt.“

Laut Chaudhuri sind Fragen der Zuverlässigkeit ein wesentlicher limitierender Faktor für die Ausweitung der Rolle der KI im medizinischen Bereich. „Um KI-Systeme in sicherheitskritischen Bereichen einzusetzen, beispielsweise bei der Echtzeit-Entscheidungsfindung im Gesundheitswesen, muss man ihnen vertrauen“, sagte er. „Aber wie kann man einem System wie GPT-4 vertrauen, das einem in einer Minute vernünftig klingende Antworten und in der nächsten vollständige Lügen liefert?“

Und die Wahrheit ist, es sei noch nicht klar, wann die Menschen ihr volles Vertrauen in die Entscheidungsprozesse der Maschine setzen sollten, sagte Barzilay. Niemand muss noch einmal überprüfen, ob die von einem Amazon-Algorithmus empfohlenen Produkte mit seinen Einkaufsbedürfnissen übereinstimmen, aber medizinische Entscheidungen haben weitaus mehr Gewicht.

Trotz aktueller Einschränkungen sehen Experten jedoch großes Potenzial in der medizinischen KI. „Heute zahlen wir mehrere Milliarden Dollar für jedes Molekül, das in ein Medikament einfließt. Es ist nicht nachhaltig“, sagte Barzilay. „Es gibt immer noch viele Krankheiten, für die wir keine guten Medikamente haben oder sogar für Krankheiten, für die wir zugelassene Medikamente haben, aber wir haben eine ganze Reihe von Nebenwirkungen.“ Sie sagte beispielsweise, dass das Brustkrebsmedikament Tamoxifen zwar oft notwendig sei, aber eine Reihe schädlicher Nebenwirkungen habe, darunter auch Probleme mit dem Gehirn.

„[Tamoxifen] zeigt uns, dass wir aufgrund der Art und Weise, wie wir Medikamente entwickeln, noch lange nicht dort sind, wo wir sein wollen“, sagte Barzilay. Sie glaubt jedoch, dass KI den Prozess zum Besseren verändern kann: „Ich bin wirklich der Meinung, dass maschinelles Lernen Teil jedes dieser Prozesse sein sollte. Und ich hoffe und glaube, dass die Arzneimittelforschung in fünf oder zehn Jahren anders sein wird.“

Werden Sie den erklärenden Journalismus von Vox unterstützen?

Die meisten Nachrichtenagenturen verdienen ihr Geld mit Werbung oder Abonnements. Aber wenn es um das geht, was wir bei Vox erreichen wollen, gibt es ein paar große Probleme, wenn wir uns auf Werbung und Abonnements verlassen, um den Betrieb am Laufen zu halten. Erstens schwanken die Werbeausgaben mit der Konjunktur, was es schwierig macht vorauszuplanen. Zweitens sind wir nicht im Abonnementgeschäft tätig. Vox ist hier, um jedem zu helfen, die komplexen Probleme zu verstehen, die die Welt prägen – nicht nur den Menschen, die es sich leisten können, für ein Abonnement zu bezahlen. Es ist wichtig, dass wir mehrere Möglichkeiten haben, Geld zu verdienen. Deshalb suchen wir auch die Unterstützung unserer Leser, auch wenn Werbung nach wie vor unsere größte Einnahmequelle ist. Wenn Sie auch der Meinung sind, dass jeder Zugang zu vertrauenswürdigen, hochwertigen Informationen verdient, würden Sie Vox heute ein Geschenk machen? Jeder Betrag hilft.

95 $/Jahr

120 $/Jahr

250 $/Jahr

350 $/Jahr

Wir akzeptieren Kreditkarten, Apple Pay und Google Pay. Sie können auch über beitragen

Jede Woche erforschen wir einzigartige Lösungen für einige der größten Probleme der Welt.

Überprüfen Sie Ihren Posteingang auf eine Willkommens-E-Mail.

Hoppla. Etwas ist schief gelaufen. Bitte geben Sie eine gültige E-Mail-Adresse ein und versuchen Sie es erneut.