Warum KI zu einem leistungsstarken Werkzeug in der Entdeckung von Krebsmedikamenten wird

Künstliche Intelligenz (KI) ist nicht mehr nur ein Hilfsmittel in der Arzneimittelentwicklung. Dieses Papier zeigt, wie sie helfen könnte, schnellere, intelligentere und personalisierte Krebstherapien zu entwickeln, während es gleichzeitig die wissenschaftlichen und regulatorischen Hürden aufzeigt, die weiterhin im Weg stehen.

In einem aktuellen Beitrag im Journal BJC Reports untersuchte eine Gruppe von Autoren, wie Künstliche Intelligenz (KI) die Arzneimittelentdeckung und deren Übertragung in die präzise Onkologie verändert.

Hintergrund

Was wäre, wenn lebensrettende Krebsmedikamente in Monaten statt in Jahrzehnten entdeckt werden könnten? Typischerweise dauert die Arzneimittelentwicklung über zehn Jahre und ist teuer, was es für Patienten schwierig macht, neue Medikamente rechtzeitig zu bekommen. Neueste Fortschritte in der KI könnten helfen, vielversprechende Arzneimittelkandidaten schneller zu identifizieren, die Patientenauswahl zu verbessern und mehr vorhersagbare Informationen darüber zu bieten, wie gut einige Patienten auf eine Behandlung ansprechen könnten. Datenverzerrung, regulatorische Unsicherheiten und unzureichende klinische Validierung begrenzen die Nutzung von KI. Um ihr Potenzial maximal auszuschöpfen, ist mehr Forschung erforderlich, um die sichere, gerechte und klinisch sinnvolle Implementierung von KI-gesteuerten Therapien sicherzustellen.

Der Wandel hin zur KI-gesteuerten Arzneimittelentwicklung

Die Arzneimittelentdeckung basierte traditionell auf langwierigen Experimenten, die oft von hohen Fehlerraten und steigenden Kosten geprägt sind. In der Onkologie ergeben sich mehrere Herausforderungen aus der Heterogenität von Tumoren, den Resistenzen gegen Behandlungen, der klonalen Evolution und der physiologisch komplexen Krankheitsbiologie. Der Einsatz von KI zur Bewältigung dieser Herausforderungen hat neue Chancen für Forscher durch computergestützte Modellierung, prädiktive Analytik und automatisiertes Compound-Design geschaffen.

Ein wichtiger Meilenstein in diesem Übergang ist die Entwicklung von KI-generierten kleinen Molekülen, die in klinische Studien übergegangen sind. Zum Beispiel hat ein Inhibitor des Tumornekrosefaktor-Rezeptor-assoziierten Faktors 2 und der NCK-interagierenden Kinase (TNIK), der mithilfe generativer KI entworfen wurde, Sicherheit, Verträglichkeit und pharmakodynamische Hinweise auf die Zielbindung in menschlichen Studien gezeigt. Wichtig ist, dass diese Studie in der idiopathischen Lungenfibrose und nicht in der Onkologie durchgeführt wurde, sie bietet jedoch einen frühen Übersetzungsbezug, der methodisch für die Onkologie relevant ist.

Beispiele für KI-gestützte Therapeutika

KI ist jetzt Teil früher klinischer therapeutischer Anwendungen. Zum Beispiel befindet sich die generative, KI-abgeleitete Verbindung INS018_055 derzeit in Phase-II-Studien, die sich auf die Behandlung von fibrotischen Erkrankungen konzentrieren. Ein Immunonkologie-Agent (EXS21546) wurde mithilfe von KI verbessert, um die Immunsuppression im Tumormikroumfeld zu bekämpfen. Schließlich wurde die Verbindung Baricitinib, die ursprünglich zur Behandlung von rheumatoider Arthritis entwickelt wurde, später für die Behandlung von COVID-19 umfunktioniert.

Diese Fälle zeigen erhebliche Vorteile, einschließlich der Beschleunigung der Frühphase der Arzneimittelentdeckung durch Automatisierung der Zielidentifizierung und der Verbindungenoptimierung, der Reduzierung von Fehlerraten durch Vorhersage von Toxizität und Off-Target-Effekten vor Laborversuchen sowie der Verbesserung des Erfolgs klinischer Studien durch die Auswahl der richtigen Patienten und die Verwendung von Biomarkern.

Technologische Treiber hinter dem Erfolg der KI

Die KI in der Arzneimittelentdeckung hat von mehreren technologischen Fortschritten profitiert. Beispielsweise ermöglichen neue Techniken zur Vorhersage von Proteinstrukturen, einschließlich der Modellierung komplexer biomolekularer Wechselwirkungen, ein detaillierteres Verständnis dafür, wie Arzneimittel mit ihren Zielen interagieren. Dies ermöglicht es Wissenschaftlern, effektivere und genauere Medikamente zu entwickeln.

Durch selbstüberwachtes Lernen (SSL) kann KI nützliche Muster aus großen nicht beschrifteten Datensätzen finden. Dies ist besonders wertvoll in der Onkologie, wo große genomische und multi-omische Daten verfügbar sind, oft jedoch an Anmerkungen fehlen. SSL ermöglicht die Identifizierung neuer Arzneimittelziele und Krankheitsmechanismen.

Federated Learning ermöglicht es Institutionen, zusammenzuarbeiten, ohne sensible Patientendaten zu teilen. Es kann helfen, die Privatsphäre zu wahren, während die Generalisierbarkeit des Modells verbessert wird, was wichtig ist, um Therapien zu entwickeln, die in unterschiedlichen Bevölkerungen wirksam sind.

Reduzierung der experimentellen Last und ethische Bedenken

KI hat das Potenzial, die Abhängigkeit von traditionellen Labor- und Tierversuchen zu reduzieren. Rechenwerkzeuge können wichtige Aspekte simulieren, wie sich Arzneimittelkandidaten verhalten und Vorhersagen darüber machen, wie der Körper Medikamente verstoffwechselt, sowie Toxizität durch Modellierung von Absorption, Verteilung, Metabolismus, Exkretion und Toxizität (ADMET) bewerten.

Der Einsatz von „digitalen Zwillingen“, um Medikamente an virtuellen Patienten zu testen, ermöglicht es, zu simulieren, wie ein Individuum auf eine Therapie unter Entwicklung reagieren könnte. Dies könnte helfen, personalisierte Behandlungsstrategien zu verfeinern und unnötige frühe Versuche zu reduzieren, obwohl diese Ansätze weiterhin experimentelle Validierung erfordern.

Herausforderungen bei der klinischen Übersetzung

Ein großes Problem bei der KI-gesteuerten Arzneimittelentdeckung ist die Generalisierbarkeit, da KI auf spezifischen Daten trainiert wird, die möglicherweise bei verschiedenen Patienten nicht gut abschneiden. Damit KI-generierte Therapien regulatorische Genehmigungen und klinische Akzeptanz erhalten, müssen ihre Entscheidungen klar und biologisch plausibel sein. Kliniker und Regulierungsbehörden müssen verstehen, wie diese Systeme zu ihren Schlussfolgerungen gelangen.

Eine weitere Herausforderung besteht darin, dass voreingenommene KI-Trainingsdaten zu unfairen Gesundheitsversorgungsergebnissen führen und Ungleichheiten unter den Patienten erhöhen können. Die Gewährleistung von Vielfalt in den Daten und die Einbeziehung von Strategien zur Verringerung von Verzerrungen sind wesentliche Schritte auf dem Weg zur gerechten Versorgung.

Regulatorische Fragmentierung ist ebenfalls eine große Herausforderung, da verschiedene Länder unterschiedliche Standards für die Validierung von KI-Modellen haben. Einheitlichere Standards für Validierung, Reproduzierbarkeit, Dateninteroperabilität und Überwachung sind erforderlich, um den Genehmigungsprozess zu beschleunigen.

KI und die Zukunft der präzisen Onkologie

KI ist in einzigartiger Weise positioniert, um die präzise Onkologie voranzutreiben, indem sie multi-omische Daten integriert, einschließlich genomischer, transkriptomischer, proteomischer und metabolomischer Informationen. Diese Integration ermöglicht genauere Krankheitsklassifikationen und personalisierte Behandlungsstrategien.

KI könnte auch helfen, Echtzeit-Klinikdaten zu interpretieren, einschließlich zirkulierender Tumor-DNA (ctDNA), um Fortschritte zu verfolgen und frühzeitig Widerstand zu erkennen; daher könnte sie adaptive Behandlungsstrategien unterstützen, indem die Behandlung des Patienten kontinuierlich auf der Grundlage aktualisierter Daten angepasst wird.

Die Entwicklung von KI wird auch durch föderierte Validierung und adaptive klinische Studiendesigns unterstützt, was skalierbare KI-basierte Ansätze ermöglicht, indem kontinuierliches Lernen aus vorhandenen Daten und die Verfeinerung therapeutischer Strategien ermöglicht wird, um den tatsächlichen Patientenbedürfnissen gerecht zu werden.

Fazit

Die Perspektive zeigt, dass die KI-gesteuerte Arzneimittelentdeckung vom theoretischen Potenzial zur frühen klinischen Realität übergegangen ist, mit Hinweisen auf Sicherheit, Zielbindung und vorläufige Wirksamkeit. Diese Fortschritte vertreten jedoch eine erste Machbarkeit und keine endgültige Validierung. Eine anhaltende klinische Wirkung erfordert hybride Rahmenbedingungen, die computergestützte Modellierung mit experimenteller und klinischer Validierung integrieren.

Die Behebung von Einschränkungen hinsichtlich der Zuverlässigkeit, Fairness und regulatorischen Governance der KI wird entscheidend sein, wenn diese Ansätze dazu beitragen sollen, Krebsbehandlungen zu beschleunigen, zu verbessern und zu personalisieren und damit die Patientenversorgung in der Zukunft zu verbessern.

Quellen: