Insilico Medicine的生成式AI工具inClinico在預測臨床試驗結果方面具有高準確性
臨床階段AI藥物發現公司Insilico Medicine宣布了一項具有突破性的醫學里程碑：它成功使用其專有的生成式變壓器AI工具inClinico預測了第二期到第三期臨床試驗的結果。
來源: Venturebeat
臨床階段佔藥物開發失敗的約90％，原因包括缺乏療效、安全問題以及疾病和數據的複雜性。這些失敗導致數以萬計的美元損失和多年的努力浪費。為應對這一巨大的失敗率，Insilico開發了生成式AI軟件平台inClinico，以預測第二期臨床試驗的結果。
該平台融合了各種引擎，利用生成式AI和多模態數據的力量，包括文本、組學、臨床試驗設計和小分子特性。其訓練數據包括過去七年中超過55,600個獨特的第二期臨床試驗。
Insilico的研究人員開發的隨後的臨床試驗概率模型在可預測結果可衡量的真實世界試驗中展示了令人印象深刻的79％的準確性。
AI革命化藥物開發
這項研究發表在《臨床藥理學與治療學》期刊上，展示了AI在革命化藥物開發和投資決策方面的潛力。
該公司表示，本研究中使用的AI引擎已經集成到inClinico系統中，旨在預測臨床試驗的結果。這種集成是Medicine42臨床試驗分析和計劃平台的關鍵組成部分。
Insilico Medicine的創始人兼首席執行官Alex Zhavoronkov告訴VentureBeat說：“在處理和分析複雜數據並識別模式方面，AI具有巨大的優勢。” “使用機器學習和AI，我們基於與成功推出和失敗的藥物相關的各種數據點構建了模型。然後，我們將這些模型結合到我們的預測引擎inClinico中。對於每個評估的第二期試驗，inClinico生成一個成功進入第三期的概率。”
Zhavoronkov表示，驗證研究是在內部進行的，並與製藥公司和金融機構合作進行，證明了incline平台的穩健性。在一個準前瞻驗證數據集上，該平台實現了令人印象深刻的ROC AUC分數為0.88，這是衡量其在臨床試驗轉化中區分成功和失敗能力的一個指標。
該公司聲稱，該平台的準確預測已經通過日期標記的虛擬交易組合進行了測試，結果在九個月內獲得了35％的投資回報率（ROI），使其成為尋求關鍵技術盡職調查見解的投資者的寶貴工具。
利用生成式AI進行藥物開發
Insilico的Zhavoronkov表示，他的研究小組從clinicaltrials.gov和其他各種公共來源（包括製藥公司的新聞稿和出版物）中提取了55,653個第二期臨床試驗數據，創建了起始數據集。這些數據需要進行適當的標記、注釋和鏈接，這是由生物醫學專家、一個區分轉換器和一個生成式大型語言模型執行的任務。
然後，一個轉換器系統使用基於最先進的藥物和疾病解釋學習與生物醫學實體表示轉換器（DILBERT）的自然語言處理（NLP）流程將這些試驗映射到藥物和疾病。
Zhavoronkov表示，製藥行業傳統上依賴基礎學術研究和偶然發現來生成新的想法和假設。然而，高失敗率表明，疾病和生物機制的複雜性使得很難確定治療疾病的成功靶點，尤其是新的靶點。
揭示洞察力，潛在治療方法 Zhavoronkov堅稱，將AI納入分析大量多樣化數據集可以揭示人類無法察覺的有關疾病機制和潛在治療方法的洞察力。PandaOmics是inClinico的一部分，它整合了來自臨床試驗、藥物和疾病信息的大量數據，以預測第二期到第三期轉化的成功或失敗的可能性。
PandaOmics利用組學數據、資助、臨床試驗、化合物和出版物等各種數據類型進行分析，並生成一個針對感興趣疾病的潛在靶點的排名列表。
Zhavoronkov告訴VentureBeat說：“PandaOmics是一個用於靶點識別的知識圖，通過該圖，我們的生成式AI平台可以找到臨床試驗成功或失敗、疾病狀況和藥物特性之間的關聯，這些關聯可能逃避了人類科學家的注意。” “使用這些數據，我們建立了預測第二期臨床試驗成功概率的模型，該模型定義為藥物-疾病對從第二期到第三期的轉化。”
增強的預測能力
Zhavoronkov表示，自2014年以來，Insilico Medicine一直在訓練inClinico進行臨床試驗、藥物和疾病方面的工作，並強調通過結合多模態LLMs和其他基因AI技術，該公司顯著增強了其預測能力。
因此，inClinico現在成為一個工具，可以引導公司將研究資金和專業知識投入到最有可能成功的項目中，同時使他們能夠捕獲和利用那些遭遇挫折的項目中的有價值信息。
“即使沒有與藥物作用或疾病臨床相關的先前信息，inClinico預測成功的II期到III期轉化藥物的能力，驗證了生成AI模型及其利用現有數據預測少數數據可用的疾病結果的能力，” Zhavoronkov解釋道。 “它擁有越多的數據和越多的成功結果，AI在準確預測方面就變得越好。”
Insilico的下一步是什麼？
Zhavoronkov對這些發現表示強烈的鼓勵，同時也承認這些發現是基於有限的數據集。他堅信，隨著數據和強化學習的增加，系統的複雜性和精確性將不斷提高，包括Insilico內部項目的見解 – 其中三個項目（特發性肺纖維化、癌症和COVID-19）已經成功進入臨床試驗。
Insilico預計使用inClinico工具可以以有意義的準確性可預測評估約20至25％的試驗。該公司希望進一步擴展其能力，利用新的實驗室機器人技術來預測組合療法的成功率，並促進選擇最有效的組合進行靶向治療。
“我們將尖端技術突破融入我們的平台，包括AI驅動的機器人技術、AlphaFold和量子計算，” Zhavoronkov解釋道。 “我的宏大目標是看到這個工具得到廣泛應用，因為更廣泛的使用將推動進一步的改進。我們採用一種稱為專家反饋強化學習（RLEF）的方法，工具的準確性將隨著我們從使用它進行預測的分析師獲得的見解而提高。目前，我們只能預測小分子一線單一靶向治療藥物。”
※版權所有，歡迎媒體聯絡我們轉載；登錄本網按讚、留言、分享，皆可獲得 OCTOVERSE 點數（8-Coin），累積後可兌換獎品，相關辦法以官網公布為準※
