Umjetna inteligencija u potrazi za novim lijekovima

Od pretraživanja golemog broja kemijskih struktura do projektiranja protutijela, AI mijenja način na koji znanstvenici odabiru i provjeravaju ideje. Njezina vrijednost sve više ovisi o povezanosti s eksperimentima i sposobnosti prepoznavanja granica vlastitih predviđanja.

U razvoju novog lijeka jedna je od najskupljih pogrešaka predugo istraživanje molekule koja nema dobre izglede postati terapija. Spoj može izvrsno djelovati na izdvojeni protein, a da se u organizmu prebrzo razgrađuje, ne dopire do potrebnog tkiva ili izaziva neprihvatljive nuspojave. Između obećavajućeg laboratorijskog rezultata i korisnog lijeka nalazi se niz takvih prepreka.

Umjetna inteligencija pomaže istraživačima da ih ranije prepoznaju. Njezina najizravnija primjena vidljiva je pri odabiru sljedećeg koraka: koju biološku metu istražiti, koju molekulu sintetizirati i koji eksperiment provesti kako bi se dobila najkorisnija nova informacija. Time se mijenja svakodnevni rad molekularnih biologa, medicinskih kemičara i farmakologa.

Potraga često počinje razumijevanjem bolesti. Podatci o aktivnosti gena, količini proteina i promjenama u stanicama mogu otkriti procese povezane s njezinim nastankom. AI omogućuje objedinjavanje tih podataka sa znanstvenom literaturom i poznatim biološkim vezama kako bi se izdvojile potencijalne terapijske mete. Takav je pristup opisan, primjerice, u istraživanju razvoja inhibitora proteina TNIK, u kojem je analiza podataka iz tkiva pacijenata pomogla pri odabiru mete za istraživanje plućne fibroze.

Odabir mete, međutim, otvara novo pitanje: kako na nju djelovati? Tu strukturna biologija daje važan dio odgovora. Prostorni raspored atoma u proteinu pomaže znanstvenicima razumjeti gdje bi se druga molekula mogla vezati i kako bi mogla promijeniti njegovu funkciju. Sustavi poput AlphaFolda znatno su unaprijedili takva predviđanja. AlphaFold 3 proširio je mogućnosti modeliranja na komplekse koji uključuju proteine, nukleinske kiseline i male molekule.

Struktura ipak predstavlja samo dio biološke priče. Proteini se kreću, mijenjaju oblik i djeluju u složenom staničnom okruženju. Zato predviđanje strukture dopunjuju simulacije molekulske dinamike, kakve omogućuje GROMACS. One prate gibanje atoma tijekom vremena i pomažu u ispitivanju ponašanja molekularnih sustava. Zajedno s eksperimentima, ove metode pružaju potpuniju osnovu za projektiranje kandidata za lijekove.

Razmjeri računalnog pretraživanja najbolje pokazuju koliko se promijenio početak tog procesa. Heikki Käsnänen, voditelj područja molekularne inteligencije i podataka u finskoj tvrtki Orion Pharma, navodi da njihovi timovi rutinski pretražuju kemijske prostore reda veličine tisuću milijardi mogućih molekula. Toliki broj struktura bilo bi nepraktično pojedinačno proizvesti i ispitati u laboratoriju.

Takvo se pretraživanje oslanja na kombiniranje metoda različite brzine i preciznosti. Proračuni utemeljeni na fizikalnim zakonima daju detaljnije informacije za odabrane sustave, dok modeli strojnog učenja omogućuju bržu procjenu mnogo šireg skupa kandidata. Aktivno učenje pomaže pri odabiru sljedećih proračuna ili eksperimenata. Pozornost se može usmjeriti i na obećavajuće molekule i na one čije bi ispitivanje najviše smanjilo neizvjesnost.

U farmakologiji je upravljanje različitim svojstvima molekula jedan od najvećih izazova. Snažno vezivanje za metu mora se uskladiti s apsorpcijom, raspodjelom po organizmu, metabolizmom, izlučivanjem i toksičnošću — svojstvima obuhvaćenima kraticom ADMET. Modeli umjetne inteligencije pomažu u njihovoj procjeni, ali pouzdanost ovisi o kemijskom prostoru i kvaliteti podataka na kojima su razvijani. Problem je posebno izražen kod novih vrsta spojeva, što naglašava i inicijativa ADMET Network.

Slična logika odabira i provjere primjenjuje se na protutijela, iako je riječ o znatno većim i složenijim molekulama. Biotehnološka tvrtka Absci u platformi Origin povezuje generativno projektiranje njihovih struktura i sljedova aminokiselina s procjenom predloženih kandidata. Model AbsciBind služi kao filtar koji pomaže odrediti što će biti proizvedeno i ispitano u laboratoriju, kako je opisano u radu o platformi Origin-1.

Poseban istraživački izazov predstavljaju mjesta vezivanja na proteinima za koja ne postoje prethodno određene strukture kompleksa. Mogućnost projektiranja protutijela za takva mjesta proširila bi izbor bioloških pitanja koja istraživači mogu postaviti. U dosadašnjoj provjeri platforme Origin-1 Absci je izvijestio o protutijelima koja zadovoljavaju postavljene eksperimentalne kriterije za četiri od deset ispitivanih proteinskih meta. Za dva je kompleksa krioelektronska mikroskopija pokazala blisko podudaranje eksperimentalnih struktura s računalnim modelima. Ti rezultati predstavljaju dokaz konkretnih mogućnosti platforme, uz jasno vidljiv prostor za daljnji napredak.

Računalna infrastruktura utječe na brzinu ovakvog rada. Absci je uz akceleratore AMD Instinct, okruženje ROCm i optimirane funkcije postigao trostruko ubrzanje modela AbsciBind u odnosu na produkcijsku inačicu, uz očuvanu kvalitetu rezultata. Dobitak se odnosi na određeni računalni korak; njegov utjecaj na cijeli projekt ovisi o ostalim fazama istraživanja.

Važnija od samog broja obrađenih kandidata jest povezanost s laboratorijem. Odabrana protutijela moraju pokazati specifično vezivanje, odgovarajuću stabilnost i druga svojstva potrebna za nastavak razvoja. Eksperimentalni rezultati zatim se vraćaju u proces projektiranja. Tako nastaje ciklus koji se ponavlja, a u kojem svaka provjera treba unaprijediti osnovu za sljedeći odabir.

U tom ciklusu procjena neizvjesnosti ima neposrednu praktičnu vrijednost. Istraživač treba znati kada se predviđanje oslanja na dobro poznate primjere, a kada model procjenjuje molekulu ili biološki sustav koji se bitno razlikuje od primjera s kojima se ranije susreo. Visoka računalna ocjena bez tog konteksta može stvoriti pogrešan osjećaj sigurnosti. Novi je eksperiment ponekad najkorisniji upravo ondje gdje postoji najveća neizvjesnost.

Ograničena dostupnost industrijskih podataka dodatno otežava razvoj modela. Pojedinačna tvrtka posjeduje dragocjena mjerenja, ali ona obuhvaćaju samo dio mogućih molekula i eksperimentalnih uvjeta. Jedan je odgovor zajedničko treniranje uz zadržavanje kontrole nad izvornim podatcima. U veljači 2026. Apheris je pokrenuo ADMET Network, među čijim su osnivačima Orion Pharma, Lundbeck, Recursion i Servier. Cilj je razvoj modela na raznovrsnijim industrijskim podatcima, uz očuvanje vlasništva nad njima.

Koliko je AI napredovao prema stvarnoj terapijskoj primjeni pokazuje rentosertib, mala molekula razvijana uz generativnu umjetnu inteligenciju za idiopatsku plućnu fibrozu. U studiji faze 2a objavljenoj 2025. u časopisu Nature Medicine, 71 pacijent nasumično je raspoređen u skupine koje su tijekom 12 tjedana primale različite doze kandidata ili placebo. Primarni je cilj bio procijeniti sigurnost i podnošljivost. Autori su izvijestili i o naznaci poboljšanja jednog pokazatelja plućne funkcije pri najvišoj dozi, uz potrebu za većim i duljim ispitivanjima.

Takvi rezultati omogućuju procjenu pristupa utemeljenih na umjetnoj inteligenciji na razini koja je bliža potrebama pacijenata. Istodobno, jedno kratko kliničko ispitivanje ima ograničenu mogućnost utvrđivanja dugoročne koristi i rizika. Kako objašnjava Američka agencija za hranu i lijekove, veće i dulje studije potrebne su za dokazivanje terapijske koristi i otkrivanje rjeđih nuspojava.

Napredak će zato biti najkorisnije mjeriti time koliko dobro istraživački sustav uči iz svakog provedenog eksperimenta. Ranije prepoznat problem s toksičnošću može spriječiti dug i skup razvoj pogrešnog kandidata. Pouzdaniji odabir mjesta vezivanja može otvoriti novi smjer istraživanja. Za pacijenta će se vrijednost svih tih poboljšanja na kraju pokazati kroz terapije s dokazanim djelovanjem i prihvatljivim omjerom koristi i rizika.