Εδώ και περίπου μισό αιώνα, η ανθρωπότητα χάνει σιγά-σιγά τη μάχη της ενάντια στα βακτήρια. Τα πιο ισχυρά όπλα που διαθέτουμε σε αυτόν τον αγώνα, τα αντιβιοτικά, γίνονται όλο και πιο αναποτελεσματικά, καθώς εξαπλώνεται η αντοχή στα φάρμακα. Περίπου 1,1 εκατομμύριο άνθρωποι πεθαίνουν πλέον κάθε χρόνο από λοιμώξεις που μέχρι πρόσφατα θεραπεύονταν εύκολα. Και ο αριθμός των θανάτων αναμένεται να αυξηθεί σε πάνω από οκτώ εκατομμύρια έως το 2050, εκτός αν ληφθούν επείγοντα μέτρα.

Η ανάπτυξη νέων αντιβιοτικών είναι μια απογοητευτικά αργή και δαπανηρή διαδικασία. Μεταξύ 2017 και 2022, εγκρίθηκαν για χρήση μόλις 12 νέα αντιβιοτικά, τα περισσότερα από τα οποία ήταν παρόμοια με υπάρχοντα φάρμακα, στα οποία τα βακτήρια έχουν ήδη αναπτύξει αντοχή. Ο τομέας αυτός έχει παραμεληθεί για χρόνια λόγω έλλειψης ενδιαφέροντος από τις φαρμακευτικές εταιρείες και ανεπαρκούς χρηματοδότησης. Ωστόσο, τώρα οι ερευνητές επιδιώκουν να καλύψουν αυτό το κενό – και ορισμένοι ποντάρουν στην τεχνητή νοημοσύνη για να τους βοηθήσει να το πετύχουν.

«Μπορούμε – σε λίγες μέρες ή ώρες – να εξετάσουμε τεράστιες βιβλιοθήκες» χημικών ενώσεων για να εντοπίσουμε εκείνες που παρουσιάζουν αντιβακτηριακή δράση, λέει στο BBC ο Τζέιμς Κόλινς, καθηγητής ιατρικής μηχανικής και επιστήμης στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης στο Κέιμπριτζ των ΗΠΑ. Με τη βοήθεια της τεχνητής νοημοσύνης, ο Κόλινς και η ομάδα του έχουν ήδη ανακαλύψει δύο νέες ενώσεις που θα μπορούσαν να αποδειχθούν ζωτικά όπλα κατά των εξαιρετικά ανθεκτικών στα φάρμακα λοιμώξεων, της γονόρροιας και του MRSA.

Αυτό είναι μόνο ένα παράδειγμα του τρόπου με τον οποίο η τεχνητή νοημοσύνη (AI) εγκαινιάζει μια νέα εποχή στην ανακάλυψη φαρμάκων – υποσχόμενη πρόοδο σε μερικά από τα πιο δυσεπίλυτα ιατρικά προβλήματα της εποχής μας. Οι επιστήμονες στρέφουν πλέον την τεχνητή νοημοσύνη σε παθήσεις για τις οποίες δεν υπάρχει γνωστή θεραπεία, όπως η νόσος του Πάρκινσον, καθώς και σε χιλιάδες σπάνιες ασθένειες, με την ελπίδα να επιτευχθούν νέες σημαντικές ανακαλύψεις.

Ο Κόλινς και η ομάδα του εκπαίδευσαν ένα γενετικό μοντέλο τεχνητής νοημοσύνης ώστε να αναγνωρίζει τις χημικές δομές γνωστών αντιβιοτικών. Αυτό επέτρεψε στον αλγόριθμο να μάθει τι χρειάζεται για να σκοτώσει τα βακτήρια. Στη συνέχεια, οι ερευνητές χρησιμοποίησαν την τεχνητή νοημοσύνη για να εξετάσουν περισσότερες από 45 εκατομμύρια διαφορετικές χημικές δομές ως προς την ικανότητά τους να στοχεύουν το Neisseria gonorrhoeae, το βακτήριο που προκαλεί γονόρροια, και το Staphylococcus aureus, μια σημαντική πηγή λοιμώξεων με τη μορφή MRSA.

Και τα δύο αυτά βακτήρια είναι εξαιρετικά ανθεκτικά στα φάρμακα, στην περίπτωση της γονόρροιας, μπορεί να ξεφύγει από σχεδόν κάθε φάρμακο που χρησιμοποιείται για τη θεραπεία της. Υπάρχει πλέον ένας μειούμενος αριθμός διαθέσιμων αντιβιοτικών – φάρμακα τελευταίας λύσης – για την καταπολέμηση του καθενός.

Η μέθοδος του Κόλινς χρησιμοποίησε την τεχνητή νοημοσύνη για να δημιουργήσει εντελώς νέες χημικές ενώσεις που στοχεύουν τα μικρόβια. Σε μία προσέγγιση, επέλεξε ένα μόριο ως σημείο εκκίνησης και χρησιμοποίησε έναν συνδυασμό τεχνικών παραγωγικής τεχνητής νοημοσύνης για να το αναπτύξει, «προσθέτοντας δεσμούς, άτομα, υποδομές», όπως λέει. Σε κάθε κρίσιμο στάδιο, η ένωση βαθμολογούνταν από το εκπαιδευμένο μοντέλο τεχνητής νοημοσύνης του: «Μοιάζει αυτό με αντιβιοτικό; Πλησιάζει σε ένα πιθανό αντιβιοτικό;» Μια άλλη προσέγγιση περιελάμβανε την κατάργηση της αρχικής ένωσης και την ελεύθερη δημιουργία της τεχνητής νοημοσύνης από την αρχή.

Ο Κόλινς και οι συνεργάτες του σχεδίασαν με αυτόν τον τρόπο 36 εκατομμύρια χημικές ενώσεις που ενδέχεται να είναι αποτελεσματικές κατά των βακτηρίων. Η ομάδα επέλεξε 24 από αυτές για να τις συνθέσει σε εργαστήριο. Επτά αποδείχθηκαν ότι διαθέτουν κάποια αντιμικροβιακή δράση, ενώ δύο ήταν ιδιαίτερα αποτελεσματικές στην εξόντωση στελεχών και των δύο βακτηρίων που ήταν ανθεκτικά σε άλλα είδη αντιβιοτικών.

Είναι σημαντικό να σημειωθεί ότι οι ενώσεις φαίνεται να στοχεύουν τα βακτήρια με διαφορετικούς τρόπους από τα ήδη υπάρχοντα αντιβιοτικά, δημιουργώντας ελπίδες ότι θα μπορούσαν να αποτελέσουν μια νέα κατηγορία φαρμάκων ικανά να ξεπεράσουν τις άμυνες των ανθεκτικών στα φάρμακα βακτηρίων. Οι δύο υποψήφιες ενώσεις υποβάλλονται επί του παρόντος σε περαιτέρω δοκιμές.

Ο Κόλινς και το εργαστήριό του έχουν χρησιμοποιήσει στο παρελθόν την τεχνητή νοημοσύνη για να ανακαλύψουν άλλες νέες ισχυρές αντιβιοτικές ενώσεις που εξοντώνουν ένα ευρύ φάσμα βακτηρίων που είναι ανθεκτικά στη θεραπεία, συμπεριλαμβανομένου του Clostridium difficile, μιας κοινής εντερικής λοίμωξης, και του Mycobacterium tuberculosis, που προκαλεί φυματίωση.

Για ορισμένες ασθένειες, ωστόσο, οι ερευνητές δεν έχουν την πολυτέλεια να βασίζονται σε υπάρχοντα φάρμακα για να τους βοηθήσουν να βρουν νέες θεραπείες. Αντ’ αυτού, πρέπει να ξεκινήσουν από ό,τι είναι γνωστό για την ίδια την ασθένεια. Σε ορισμένες περιπτώσεις, ωστόσο, ακόμη και αυτό τους δίνει ελάχιστα στοιχεία για να προχωρήσουν.

Εξελίξεις σχετικά με τη νόσο του Πάρκινσον

Η νόσος του Πάρκινσον εντοπίστηκε για πρώτη φορά το 1817, αλλά, περισσότερο από δύο αιώνες αργότερα, δεν υπάρχει ακόμη θεραπεία που να επιβραδύνει την εξέλιξή της. Υπάρχουν πάνω από 10 εκατομμύρια ασθενείς με Πάρκινσον παγκοσμίως, και τα ποσοστά αυξάνονται σε χώρες με γηράσκοντα πληθυσμό. Περίπου ένας στους 37 ανθρώπους στο Ηνωμένο Βασίλειο θα διαγνωστεί με τη νόσο σε κάποιο στάδιο της ζωής του. Στις ΗΠΑ, έως και ένα εκατομμύριο άνθρωποι ζουν σήμερα με τη νόσο.

Οι μακροχρόνιες προσπάθειες για τη θεραπεία της νόσου του Πάρκινσον είναι γεμάτες αποτυχίες. Μέρος του προβλήματος είναι ότι ακόμα δεν γνωρίζουμε τι προκαλεί τη νόσο. «Υπάρχουν ατελείωτες συζητήσεις σχετικά με την προέλευση της διαταραχής», λέει ο Μικέλε Βεντρούσκολο, καθηγητής βιοφυσικής και συνδιευθυντής του Κέντρου για τις Ασθένειες Ανωμαλίας Αναδίπλωσης στο Πανεπιστήμιο του Κέιμπριτζ στο Ηνωμένο Βασίλειο. «Αν πάτε σε ένα συνέδριο για το Πάρκινσον, θα ακούσετε δεκάδες διαφορετικές υποθέσεις που όλες διερευνώνται ενεργά». Αυτό καθιστά εξαιρετικά δύσκολη τη σχεδίαση ενός φαρμάκου για την πρόληψη της νόσου.

Έχουν διεξαχθεί πάρα πολλές κλινικές δοκιμές που διερευνούσαν διάφορες υποθέσεις, αλλά μέχρι σήμερα δεν έχουν αποδώσει αποτελέσματα, λέει ο Βεντρούσκολο. «Υπάρχει μεγάλη σύγχυση ως προς το ποιος πρέπει να είναι ο στόχος», λέει. «Ακόμα και αν γνωρίζεις τον στόχο, συνήθως είναι πολύ δύσκολο να τον επιτύχεις».

Ωστόσο, το 2024, ο Βεντρούσκολο και οι συνεργάτες του δημοσίευσαν μια μελέτη στην οποία χρησιμοποίησαν τη μηχανική μάθηση – μια μορφή τεχνητής νοημοσύνης – για να αναζητήσουν πιθανά υποψήφια φάρμακα ικανά να στοχεύσουν τις συσσωματώσεις πρωτεϊνών με λανθασμένη αναδίπλωση στον εγκέφαλο, που εμφανίζονται σε ασθενείς με νόσο του Πάρκινσον. Οι συσσωματώσεις πρωτεϊνών, γνωστές ως σωμάτια Lewy, θεωρείται ότι παίζουν ρόλο στα αρχικά στάδια του νευροεκφυλισμού σε ασθενείς με Πάρκινσον, οδηγώντας τελικά σε συμπτώματα όπως ρίγη, βραδύτητα κινήσεων και μυϊκή δυσκαμψία.

Προς το παρόν, η πιο αποτελεσματική θεραπεία για το Πάρκινσον είναι η δραστική ουσία λεβοντόπα, ένα φάρμακο που βοηθά στη βελτίωση των συμπτωμάτων της νόσου, αλλά μπορεί επίσης να προκαλέσει παρενέργειες όπως ακούσιες κινήσεις.

Ο Βεντρούσκολο επικεντρώνεται στην αναστολή της εξέλιξης της ίδιας της νόσου. Αυτός και η ομάδα του ξεκίνησαν με μια σειρά ενώσεων που είχαν ήδη αναγνωριστεί ως δυνητικά αποτελεσματικές στη θεραπεία των σωμάτων Lewy. Τις εισήγαγε σε ένα πρόγραμμα μηχανικής μάθησης, το οποίο, με βάση τις χημικές τους δομές, πρότεινε νέες ενώσεις που θα μπορούσαν επίσης να είναι αποτελεσματικές.

Για τη θεραπεία νευροεκφυλιστικών ασθενειών όπως η νόσος του Πάρκινσον, τα φάρμακα πρέπει να είναι αρκετά μικρά ώστε να μπορούν να διαπεράσουν τον αιματοεγκεφαλικό φραγμό. Αλλά ακόμη και αν οι επιστήμονες περιορίσουν την αναζήτηση φαρμάκων σε μικρά μόρια, «εξακολουθείς να έχεις μια τεράστια ποικιλία επιλογών», λέει ο Βεντρούσκολο. «Ο αριθμός των πιθανών μικρών μορίων είναι πολύ μεγαλύτερος από τον αριθμό των ατόμων στο Σύμπαν».

Η δύναμη της τεχνητής νοημοσύνης έγκειται στο ότι μπορεί να περιορίσει πολύ γρήγορα αυτή την αναζήτηση. «Μπορούμε να αναλύσουμε αυτά τα δεδομένα και να κάνουμε πολύ ακριβείς προβλέψεις σχετικά με τον τρόπο με τον οποίο τα υποψήφια μόρια θα συνδεθούν με τον στόχο, σε μια κλίμακα που ήταν αδιανόητη μέχρι πριν από λίγα χρόνια», λέει ο Βεντρούσκολο. Με πιο παραδοσιακές μεθόδους, οι επιστήμονες μπορούσαν να εξετάσουν περίπου ένα εκατομμύριο μόρια σε έξι μήνες, με κόστος αρκετών εκατομμυρίων λιρών. «Τώρα, μπορείς να κάνεις το ίδιο σε λίγες μέρες, αλλά να εξετάσεις δισεκατομμύρια μόρια, με κόστος μερικών χιλιάδων λιρών».

Οι ενώσεις που πρότεινε η τεχνητή νοημοσύνη στον Βεντρούσκολο δοκιμάστηκαν στη συνέχεια στο εργαστήριο. «Μετρήσαμε ποια από τα υποψήφια μόρια συνδέονταν πραγματικά [με τα σωμάτια Lewy] και εισάγαμε αυτές τις πληροφορίες στο πρόγραμμα μηχανικής μάθησης, ώστε να μπορεί να μαθαίνει από τα δικά του λάθη», λέει. Κατάφεραν τελικά να εντοπίσουν πέντε πολλά υποσχόμενες νέες ενώσεις πιο γρήγορα και αποτελεσματικά από ό,τι με τις συμβατικές μεθόδους. Οι ενώσεις που εντοπίστηκαν από την τεχνητή νοημοσύνη ήταν επίσης πολύ πιο καινοτόμες από ό,τι αυτές που πιθανά θα είχαν βρεθεί με πιο παραδοσιακές μεθόδους ανάπτυξης φαρμάκων, λέει ο Βεντρούσκολο. Τώρα υποβάλλονται σε περαιτέρω δοκιμές για να αξιολογηθεί αν θα μπορούσαν κάποια μέρα να προσφερθούν ως θεραπευτική αγωγή σε ασθενείς με νόσο του Πάρκινσον.

Ο Βεντρούσκολο ελπίζει ότι κάποια μέρα η τεχνητή νοημοσύνη θα μπορούσε να βοηθήσει στην αναστολή της νόσου του Πάρκινσον πριν ακόμη εκδηλωθεί. Τώρα χρησιμοποιεί την τεχνολογία για να εντοπίσει μικρά μόρια που συνδέονται με τις μεμονωμένες πρωτεΐνες που σχηματίζουν τα σωμάτια Lewy ενώ βρίσκονται ακόμη σε φυσιολογική κατάσταση. «Αν καταφέρουμε να σταθεροποιήσουμε τις πρωτεΐνες σε αυτή τη μορφή δεσμεύοντάς τις, θα έχουμε προλάβει τη νόσο του Πάρκινσον – κάτι που είναι καλύτερο από το να τη θεραπεύσουμε».

Νέες χρήσεις για παλιά φάρμακα

Η θεραπεία των ασθενειών δεν σημαίνει πάντα νέα φάρμακα. Ο Ντέιβιντ Φάιγκενμπαουμ, αναπληρωτής καθηγητής ιατρικής στο Πανεπιστήμιο της Πενσυλβάνια στις ΗΠΑ, κατάφερε να σώσει τη ζωή του με ένα υπάρχον φάρμακο που οι γιατροί δεν θα του είχαν συνταγογραφήσει ποτέ. Σε ηλικία 25 ετών, ενώ ακόμα φοιτούσε στην ιατρική σχολή, ο Φάιγκενμπαουμ διαγνώστηκε με έναν σπάνιο υποτύπο μιας διαταραχής που ονομάζεται νόσος του Castleman, η οποία προκάλεσε μια αντίδραση του ανοσοποιητικού συστήματος που οδήγησε σε δυσλειτουργία του ήπατος, των νεφρών και του μυελού των οστών του. Δεν ανταποκρίθηκε σε καμία από τις διαθέσιμες θεραπείες και οι γιατροί του είπαν ότι δεν ήξεραν τι να κάνουν.

Μετά από εβδομάδες δοκιμών στο δικό του αίμα, αναζήτησης στην ιατρική βιβλιογραφία και «χρησιμοποίησης» του εαυτού του ως ανθρώπινου πειραματόζωου, τελικά βρήκε μια πιθανή λύση: Ένα απλό φάρμακο με τη δραστική ουσία σιρόλιμους, γνωστή και ως ραπαμυκίνη. Συνήθως χορηγείται σε λήπτες νεφρικών μοσχευμάτων για την πρόληψη της απόρριψης του νέου οργάνου. Προκαλώντας την έκπληξη των γιατρών του, χρησιμοποίησε το φάρμακο για να νικήσει τη νόσο του Castleman. Τώρα βρίσκεται σε ύφεση για περισσότερο από μια δεκαετία.

Η εμπειρία του τού άνοιξε τα μάτια για τις δυνατότητες που κρύβουν τα χιλιάδες φάρμακα που έχουν ήδη υποβληθεί στις εκτενείς δοκιμές ασφαλείας που απαιτούνται για να κυκλοφορήσουν στην αγορά. Με την επαναχρησιμοποίηση αυτών των φαρμάκων για τη θεραπεία άλλων παθήσεων, οι ασθενείς έχουν πρόσβαση σε θεραπείες που διαφορετικά δεν θα είχαν. Το 2022, ο Φάιγκενμπαουμ ίδρυσε έναν μη κερδοσκοπικό οργανισμό με την ονομασία Every Cure, χρησιμοποιώντας μηχανική μάθηση για να συγκρίνει χιλιάδες φάρμακα με χιλιάδες ασθένειες. Τα πιο ελπιδοφόρα δοκιμάζονται σε εργαστήρια ή αποστέλλονται σε γιατρούς που είναι πρόθυμοι να πειραματιστούν.

Ωστόσο, ενώ ο Φάιγκενμπαουμ είναι ο πιο εξέχων επιστήμονας που έχει αξιοποιήσει την τεχνητή νοημοσύνη με αυτόν τον τρόπο, άλλοι έχουν ήδη σημειώσει σημαντικές ανακαλύψεις. Στην Ιατρική Σχολή του Χάρβαρντ, ένα μοντέλο τεχνητής νοημοσύνης εντόπισε σχεδόν 8.000 εγκεκριμένα φάρμακα που θα μπορούσαν ενδεχομένως να επαναπροσανατολιστούν για τη θεραπεία 17.000 διαφορετικών ασθενειών. Επιπλέον, η τεχνητή νοημοσύνη αποδεικνύεται ιδιαίτερα χρήσιμη στην αναζήτηση θεραπειών για σπάνιες ασθένειες που συχνά παραβλέπονται από τις φαρμακευτικές εταιρείες, λόγω της έλλειψης οικονομικού κινήτρου που οφείλεται στον πολύ μικρό αριθμό πιθανών ασθενών.

Η επαναχρησιμοποίηση υφιστάμενων φαρμάκων προσφέρει μια ακόμη ευκαιρία. Τα τελευταία χρόνια, η τεχνητή νοημοσύνη έχει εντοπίσει δυνατότητες επαναχρησιμοποίησης υφιστάμενων θεραπειών για παθήσεις όπως το σπάνιο χρωμοσωμικό σύνδρομο Pitt–Hopkins, η σπάνια φλεγμονώδης νόσος σαρκοείδωση και ένας σπάνιος καρκίνος των νεφρών που προσβάλλει μικρά παιδιά, ο όγκος Wilms.

Ερευνητές του Πανεπιστημίου McGill στο Μόντρεαλ του Κεμπέκ, στον Καναδά, χρησιμοποίησαν πρόσφατα την τεχνητή νοημοσύνη για να επαναπροσανατολίσουν φάρμακα για την ιδιοπαθή πνευμονική ίνωση (IPF), μια σπάνια, προοδευτική πνευμονική νόσο που χαρακτηρίζεται από ουλές και πάχυνση του πνευμονικού ιστού. Η προσέγγισή τους περιελάμβανε τη μοντελοποίηση της εξέλιξης της νόσου με ένα μοντέλο τεχνητής νοημοσύνης.

«Οι περισσότερες σύνθετες ασθένειες οφείλονται σε ανώμαλες μεταβολές της κατάστασης των κυττάρων», λέει ένας από τους ερευνητές, ο Γιούν Ντινγκ, επίκουρος καθηγητής στο Τμήμα Ιατρικής του Πανεπιστημίου McGill. «Αν καταφέρουμε να καταλάβουμε πώς το κύτταρο μετατράπηκε από υγιές σε ανώμαλο, ίσως μπορέσουμε να αντιστρέψουμε αυτή την κατάσταση ή να την επιβραδύνουμε».

Αρχικά, οι ερευνητές εξήγαγαν πνευμονικά κύτταρα από υγιείς συμμετέχοντες και ασθενείς σε διαφορετικά στάδια εξέλιξης της νόσου, χρησιμοποιώντας αλληλουχία DNA υψηλής ανάλυσης για τη δημιουργία μεγάλου όγκου δεδομένων. Αυτό τους επέτρεψε να παρατηρήσουν πώς μεταβάλλονταν τα κύτταρα κατά τη διάρκεια της νόσου. Στη συνέχεια, δημιούργησαν ένα γενετικό μοντέλο τεχνητής νοημοσύνης που θα προσομοίωνε αυτή τη διαδικασία, χαρτογραφώντας τις μεταβάσεις των διαφόρων καταστάσεων και πληθυσμών των κυττάρων καθώς η νόσος εξελισσόταν. Παράλληλα, το μοντέλο θα αναδείκνυε τυχόν βιοδείκτες που θα μπορούσαν να χρησιμοποιηθούν για τη διάγνωση της νόσου και πιθανούς θεραπευτικούς στόχους.

«Το ονομάζουμε εικονικό σύστημα νόσου», λέει ο Ντινγκ. Παραδοσιακά, τα φάρμακα δοκιμάζονταν σε ζώα ή σε απομονωμένα ανθρώπινα κύτταρα. Ήθελαν να εφαρμόσουν το ίδιο μοντέλο με την τεχνητή νοημοσύνη – ουσιαστικά προσομοιώνοντας τις επιδράσεις της IPF σε εικονικά κύτταρα. «Οι ερευνητές μπορούν στη συνέχεια να δοκιμάσουν τις επιπτώσεις της εφαρμογής διαφορετικών φαρμάκων στο μοντέλο χωρίς υπερβολικό κόστος», λέει ο Ντινγκ.

Στη μελέτη του Πανεπιστημίου McGill, η τεχνητή νοημοσύνη πρότεινε οκτώ πιθανές θεραπευτικές επιλογές για την ιδιοπαθή πνευμονική ίνωση (IPF). Μια πολλά υποσχόμενη επιλογή είναι ένα φάρμακο που συνήθως συνταγογραφείται για την υπέρταση, προσφέροντας μια οικονομική λύση η ασφάλεια της οποίας έχει ήδη αποδειχθεί.

Ο Ντινγκ αναφέρει ότι η τεχνητή νοημοσύνη που ανέπτυξαν ο ίδιος και οι συνεργάτες του θα μπορούσε επίσης να χρησιμοποιηθεί για άλλες ασθένειες, όπως καρκίνοι και πνευμονικές παθήσεις. Η ομάδα του συνεχίζει να βελτιώνει το μοντέλο και να το προσαρμόζει σε διάφορες παθήσεις.

Η IPF γνώρισε μια άλλη πρόσφατη σημαντική ανακάλυψη χάρη στην τεχνητή νοημοσύνη. Η Insilico Medicine, μια εταιρεία ανακάλυψης φαρμάκων με χρήση τεχνητής νοημοσύνης, έχει δημιουργήσει ένα υποψήφιο φάρμακο που ονομάζεται Rentosertib. Σε κλινικές δοκιμές φάσης δύο, έχει αφήσει υποσχέσεις κατά της IPF. Η εταιρεία χρησιμοποίησε την τεχνητή νοημοσύνη τόσο για να εντοπίσει μια πιθανή αδυναμία της νόσου όσο και για να σχεδιάσει ένα φάρμακο που θα μπορούσε να την στοχεύσει. Ελπίζει ότι, εάν οι δοκιμές είναι επιτυχείς, το φάρμακο θα μπορούσε να είναι διαθέσιμο μέχρι το τέλος της δεκαετίας.

Και η Insilico Medicine δεν είναι η μόνη. Άλλες εταιρείες, όπως η Terray, η Isomorphic Labs, η Recursion Pharmaceuticals και η Schrödinger, επιδιώκουν επίσης ιατρικές εξελίξεις με τη βοήθεια της τεχνητής νοημοσύνης. «Πιστεύω ότι, τα επόμενα πέντε έως δέκα χρόνια, η πλειονότητα της ανάπτυξης νέων φαρμάκων θα μπορούσε να καθοδηγείται από την τεχνητή νοημοσύνη, ή ακόμη και να βασίζεται εξ ολοκλήρου σε αυτήν», λέει ο Ντινγκ.

Μια επανάσταση με περιορισμούς

Ωστόσο, παρά τις προόδους που επιτυγχάνονται χάρη στην τεχνητή νοημοσύνη, υπάρχουν περιορισμοί. Πολλά από τα σύνολα δεδομένων σχετικά με τα φάρμακα βρίσκονται στην κατοχή εταιρειών βιοτεχνολογίας και φαρμακευτικών εταιρειών, πράγμα που σημαίνει ότι δεν είναι διαθέσιμα στο κοινό. «Πρέπει να αποκτήσεις τα δεδομένα σχετικά με τις ιδιότητες των φαρμάκων, όπως η απορρόφηση, η κατανομή, η απέκκριση και η τοξικότητα», λέει ο Κόλινς. «Δεν διαθέτουμε αυτά τα σύνολα δεδομένων».

Προς το παρόν, η τεχνητή νοημοσύνη είναι πιο χρήσιμη στο αρχικό στάδιο της διαδικασίας ανάπτυξης φαρμάκων: Στον προσδιορισμό του στόχου και στην εύρεση μορίων που θα συνδεθούν με αυτόν. Αυτά είναι μόνο δύο βήματα στη μακρά διαδικασία που απαιτείται για την ανάπτυξη νέων φαρμάκων, πράγμα που σημαίνει ότι μπορεί να περάσει αρκετός χρόνος προτού οποιαδήποτε από αυτές τις πιθανές θεραπείες φτάσει στους ασθενείς, αν φτάσει ποτέ.

«Η τεχνητή νοημοσύνη φέρνει επανάσταση στην ανακάλυψη φαρμάκων», λέει ο Βεντρούσκολο. «Αλλά μόνο με πολύ συγκεκριμένους τρόπους».