Getty Images
Tech koronavírus

Kilencévente duplájára drágul egy gyógyszer kifejlesztése

Eroom törvénye nagyon érdekes ellentétre mutat rá a gyógyszerfejlesztésben: a gyógyszerkutatás az 1980-as évek óta egyre csak lassul és egyre drágábbá válik, annak ellenére, hogy a technológia egyre csak fejlődik. Bár arról egyelőre nincs adat, hogy a koronavírus-járvány megváltoztatta volna ezt a tendenciát, statisztikák szerint

egy gyógyszer kifejlesztésének anyagi vonzata átlagosan 9 évente megduplázódik.

„Emögött valószínűleg az áll, hogy egyre több döntést kell hozniuk a szakembereknek, és egy-egy rossz döntés évekre visszavetheti a kutatást” – mondta Daphne Koller, az Insitro vezérigazgatója a Web Summit konferencián, ahol több előadás is foglalkozott a biotechnológiával és a mesterséges intelligencia bekapcsolódásával az orvostudományba.

Az új gyógyszerek, vakcinák kifejlesztése soha nem volt még ilyen sürgető, mint most: a koronavírus világjárvány kellős közepén tizenhét másodpercenként meghal valaki koronavírusban az Európai Unió területén, naponta 5 ezer család veszít el valakit a betegség következtében. A vakcinafejlesztés elképesztő ütemben zajlott, és zajlik még most is, ennek a legfőbb oka az, hogy elképesztő mennyiségű pénz áll rendelkezésre, és olyan tudományos együttműködések zajlanak, amelyek egy ilyen pandémia nélkül nem születnének meg.

Soha ilyen rövid idő alatt nem készült még el vakcina a történelemben

– mondta Koller. „Ha jól tudom, eddig négy év volt a rekord.”

A járvány a biotech cégeknek kifejezetten jól jött: felgyorsította az igényt a személyre szabott orvoslásra, pénzt ölt a szakmába, és elősegítette a korábban említett együttműködéseket is. A technológia, a mesterséges intelligencia és a gépi tanulás az orvostudomány rengeteg részét gyorsítani, pontosítani tudja: a diagnosztikát, a biztonságossági kutatásokat, a fent említett személyre szabott orvoslást, és egyáltalán: a felfedezések és gyógyszerkutatások idővonalát.

Ahhoz, hogy mindez megtörténhessen, három technológiának kellett fejlődnie. Egyrészt a laboratóriumoknak automatizálttá kellett válniuk, ez rengeteget gyorsított a folyamaton. „A kézi pipettázásnak gyakorlatilag vége” – mondta Tina Larson, a Recursion biotech cég elnöke. „Azzal a technikával egy nap alatt maximum tíz-tizenkét használható adatpontot tudtam összegyűjteni, most millió jó kísérletet végzünk el egy héten.” Sokat számított még a biológiai manipuláció előretörése, ezen belül is a Crispr/Cas9 génszerkesztés, és az informatikai eszközök fejlődése.

Adrian DENNIS / AFP Egy oxfordi laboratóriumban éppen létező gyógyszermolekulákat tesztelnek koronavírus ellen.

Shez Partovi, az Amazon Web Services egészségügyi, élettudományi és genomikai üzletfejlesztési igazgatója példákat is hozott arra, hogyan tudja felgyorsítani a mesterséges intelligencia az orvostudomány munkáját:

a gyógyszermolekulák kiválasztásánál például egy 5-7 éves kutatási periódust le tud rövidíteni 12 hónaposra,

és 128 millió potenciális jelöltből ennyi idő alatt tudja kiválasztani azt a 69-et, amit érdemes klinikai kutatásokra küldeni. A Deep6 AI képes hatékonyan és gyorsan kiválasztani alanyokat a klinikai kutatásokra, méghozzá úgy, hogy gépi tanulással átnézi a korábbi orvosi papírjait, a strukturálatlan adatokat egy nagy rendszerbe rendezi. De a szakértő megemlítette a koronavírus-kutatást is: a mesterséges intelligencia a vakcinákhoz felhasználható antitest-keresésben is nagyon sokat segített.

A szakemberek azonban egyetértenek egy nagyon fontos kulcsszabályban: a mesterséges intelligencia ezúttal is csak annyira jó, amennyire az adatok, amit beletáplálunk. „Rengeteg az elérhető adat, viszont ez is a rendszer gyenge pontja. Könnyen félrevezethet, ha nem megfelelő minőségű adatokkal dolgozunk” – mondta Daphne Koller. Nagyon ügyelni kell tehát arra, hogy az adatok megbízhatók, pontosak és teljesek legyenek, ezért sok biotech cég saját maga generálja azt az adatsort, amiből végül dolgozik.

NELSON ALMEIDA / AFP Mesterséges intelligencia segít felismerni a koronavírus okozta sérüléseket a tüdőn Brazíliában.

A rendszerben azonban vannak kihívások is bőven: Larson felhívta a figyelmet arra, hogy a biológia annyira komplex, hogy valószínűleg még a gépi tanulással sem fogjuk megérteni teljesen soha.

Nagy reményeket kelthet a módszer viszont olyan genetikai betegségek vizsgálatára, amiket nem lehet állatmodellekkel kutatni: ilyen például az autizmus is, ami kutatások alapján 50-70 százalékban örökletes rendellenesség. A mesterséges intelligencia és az orvostudomány közös munkája segíthet megérteni a spektrumzavar eredetét, és talán egyszer képes lesz teljes mértékben megérteni, vagy akár megelőzni a kialakulását.

Ha kommentelni, beszélgetni, vitatkozni szeretnél, vagy csak megosztanád a véleményedet másokkal, a 24.hu Facebook-oldalán teheted meg. Ha bővebben olvasnál az okokról, itt találsz válaszokat.

A cikkhez ide kattintva szólhatsz hozzá.
24-logo

Engedélyezi, hogy a 24.hu értesítéseket
küldjön Önnek a kiemelt hírekről?
Az értesítések bármikor kikapcsolhatók
a böngésző beállításaiban.