Tại sao AI đang trở thành công cụ mạnh mẽ trong phát triển thuốc điều trị ung thư

AI không còn chỉ là công cụ hỗ trợ trong phát triển thuốc. Bài viết này cho thấy cách mà AI có thể giúp xây dựng các liệu pháp điều trị ung thư nhanh hơn, thông minh hơn và cá nhân hóa hơn, đồng thời chỉ ra những thách thức khoa học và quy định vẫn còn tồn tại.

Sự chuyển mình của phát triển thuốc nhờ AI

Phát hiện thuốc truyền thống thường phụ thuộc vào các quy trình thử nghiệm kéo dài, thường đi kèm với tỷ lệ thất bại cao và chi phí ngày càng tăng. Trong lĩnh vực ung thư, nhiều thách thức phát sinh từ sự không đồng nhất của khối u, sự kháng trị, sự tiến hóa clonal và sinh học bệnh phức tạp. Việc sử dụng AI để đối phó với những thách thức này đã tạo ra cơ hội mới cho các nhà nghiên cứu thông qua mô hình hóa tính toán, phân tích dự đoán và thiết kế hợp chất tự động.

Một cột mốc quan trọng trong quá trình chuyển đổi này là sự phát triển của các phân tử nhỏ được tạo ra bởi AI đã tiến vào giai đoạn thử nghiệm lâm sàng. Ví dụ, một chất ức chế yếu tố liên kết với thụ thể TNF và kinase tương tác với NCK (TNIK) được thiết kế bằng AI đã chứng minh tính an toàn, khả năng dung nạp và bằng chứng dược động học về sự tương tác mục tiêu trong các nghiên cứu trên người. Dù thử nghiệm này được thực hiện trong bệnh xơ phổi vô căn thay vì ung thư, nó vẫn cung cấp một điểm tham chiếu chuyển giao sớm có tính phương pháp học liên quan đến ung thư.

Ứng dụng AI trong liệu pháp lâm sàng

AI hiện đã trở thành một phần trong các ứng dụng điều trị lâm sàng sớm. Ví dụ, hợp chất INS018_055 được phát triển từ AI đang trong giai đoạn II thử nghiệm lâm sàng tập trung vào điều trị các bệnh xơ hóa. Một tác nhân miễn dịch ung thư (EXS21546) đã được cải tiến bằng AI để chống lại sự ức chế miễn dịch trong môi trường vi mô của khối u. Cuối cùng, bằng cách sử dụng phân tích dựa trên thuật toán máy tính, hợp chất baricitinib ban đầu được phát triển để điều trị viêm khớp dạng thấp nhưng sau đó đã được chuyển hướng để điều trị bệnh coronavirus 2019 (COVID-19).

Những trường hợp này cho thấy nhiều lợi thế lớn, bao gồm việc tăng tốc phát hiện thuốc giai đoạn đầu bằng cách tự động hóa việc xác định mục tiêu và tối ưu hóa hợp chất, giảm tỷ lệ thất bại bằng cách dự đoán độc tính và các tác dụng ngoài mục tiêu trước khi thử nghiệm trong phòng thí nghiệm, và cuối cùng, cải thiện tỷ lệ thành công của thử nghiệm lâm sàng bằng cách chọn đúng bệnh nhân và sử dụng các dấu ấn sinh học.

Những bước tiến công nghệ trong phát hiện thuốc

AI trong phát hiện thuốc đã được hưởng lợi từ một số tiến bộ công nghệ. Ví dụ, các kỹ thuật mới trong việc dự đoán cấu trúc protein, bao gồm những kỹ thuật mô hình hóa các tương tác sinh học phức tạp, cung cấp hiểu biết chi tiết hơn về cách mà thuốc tương tác với các mục tiêu của chúng. Điều này cho phép các nhà khoa học tạo ra các loại thuốc hiệu quả và chính xác hơn.

Với học máy tự giám sát (SSL), AI có thể tìm ra các mẫu hữu ích từ các tập dữ liệu lớn không được gán nhãn. Điều này đặc biệt có giá trị trong lĩnh vực ung thư, nơi có nhiều dữ liệu gen và đa omics nhưng thường thiếu chú thích. SSL giúp xác định các mục tiêu thuốc mới và cơ chế bệnh tật.

Học tập liên kết cho phép các tổ chức hợp tác mà không cần chia sẻ dữ liệu bệnh nhân nhạy cảm. Điều này có thể giúp bảo vệ quyền riêng tư trong khi cải thiện khả năng tổng quát của mô hình, điều quan trọng cho việc phát triển các liệu pháp hiệu quả cho các quần thể đa dạng.

Giảm gánh nặng thử nghiệm và lo ngại đạo đức

AI có tiềm năng giảm sự phụ thuộc vào các thử nghiệm trong phòng thí nghiệm và động vật truyền thống. Các công cụ tính toán có thể mô phỏng các khía cạnh chính của cách mà các ứng viên thuốc có thể hoạt động và đưa ra dự đoán về cách cơ thể chuyển hóa thuốc, đánh giá độc tính thông qua mô hình hóa hấp thụ, phân phối, chuyển hóa, thải trừ và độc tính (ADMET).

Việc sử dụng “gương ảo” để thử nghiệm thuốc trên các bệnh nhân ảo cho phép mô phỏng cách một cá nhân có thể phản ứng với một liệu pháp đang phát triển. Điều này có thể giúp tinh chỉnh các chiến lược điều trị cá nhân hóa và có thể giảm thiểu các thử nghiệm giai đoạn đầu không cần thiết, mặc dù những phương pháp này vẫn cần được xác thực thực nghiệm.

Một thách thức khác là dữ liệu đào tạo AI bị thiên lệch có thể dẫn đến những kết quả chăm sóc sức khỏe không công bằng và gia tăng sự chênh lệch giữa các bệnh nhân. Đảm bảo tính đa dạng trong dữ liệu và kết hợp các chiến lược giảm thiểu thiên lệch là những bước quan trọng hướng tới việc chăm sóc công bằng.

Thách thức quy định trong phát triển AI

Sự phân mảnh quy định cũng là một thách thức lớn, khi các quốc gia có tiêu chuẩn khác nhau trong việc xác thực các mô hình AI. Cần có các tiêu chuẩn đồng bộ hơn cho việc xác thực, tái sản xuất, khả năng tương tác dữ liệu và giám sát để tăng tốc quá trình phê duyệt.

AI có vị trí độc đáo để thúc đẩy ung thư chính xác bằng cách tích hợp dữ liệu đa omics, bao gồm thông tin về gen, phiên mã, proteome và metabolome. Sự tích hợp này cho phép phân loại bệnh chính xác hơn và xây dựng các chiến lược điều trị cá nhân hóa.

AI cũng có thể giúp giải thích dữ liệu lâm sàng theo thời gian thực, bao gồm DNA khối u tuần hoàn (ctDNA), nhằm theo dõi sự tiến triển và phát hiện sớm sự kháng trị; do đó, nó có thể hỗ trợ các chiến lược điều trị thích ứng thông qua việc điều chỉnh liên tục chế độ điều trị của bệnh nhân dựa trên dữ liệu cập nhật.

Kết luận

Công nghệ AI đang chuyển mình từ tiềm năng lý thuyết sang thực tế lâm sàng sớm, với các bằng chứng về tính an toàn, sự tương tác mục tiêu và hiệu quả sơ bộ. Tuy nhiên, những tiến bộ này chỉ là bước đầu và cần phải có các khuôn khổ hỗn hợp để tích hợp mô hình hóa tính toán với xác thực thực nghiệm và lâm sàng. Việc giải quyết các hạn chế về độ tin cậy của AI, tính công bằng và quản lý quy định sẽ là điều cần thiết để các phương pháp này có thể thúc đẩy tiến độ, cải thiện và cá nhân hóa các phương pháp điều trị ung thư trong tương lai, từ đó nâng cao chất lượng chăm sóc bệnh nhân.

Read more → www.news-medical.net