Hva er AI-legemiddelutvikling?

AI-legemiddelutvikling bruker kunstig intelligens for å akselerere prosessen med å oppdage, designe og utvikle nye medisiner. Tradisjonell legemiddelutvikling tar 10–15 år og koster milliarder av kroner med over 90 % feilrate. AI har potensial til å halvere tiden, redusere kostnadene dramatisk og øke sannsynligheten for suksess.

Kort forklart AI-legemiddelutvikling bruker kunstig intelligens for å finne nye medisiner raskere og rimeligere – ved å simulere molekyler virtuelt, forutsi bivirkninger og identifisere lovende behandlinger blant millioner av kandidater.

Tradisjonell legemiddelutvikling

Den tradisjonelle prosessen har fem faser. Oppdagelse over 2–5 år der forskere identifiserer et sykdomsmål og screener tusenvis av molekyler. Preklinisk over 1–3 år med testing i laboratoriet og på dyr. Kliniske studier fase I–III over 5–8 år med testing på mennesker i økende skala. Godkjenning over 1–2 år med regulatorisk gjennomgang av data. Etter lansering med overvåking av bivirkninger i bred bruk.

Over 90 % av legemiddelkandidater feiler underveis – ofte etter at milliarder er investert. AI adresserer denne enorme ineffektiviteten.

AI i oppdagelsesfasen

Målidentifikasjon

AI identifiserer proteiner og biologiske mekanismer som er gode mål for nye medisiner. Ved å analysere genomdata, sykdomsmekanismer og eksisterende forskning kan AI oppdage nye sykdomsmål som ikke er åpenbare, predikere hvilke mål som er mest «druggable» – tilgjengelige for medisinmolekyler, og identifisere sammenhenger mellom sykdommer som åpner for behandling med eksisterende medisiner.

Molekyldesign

AI genererer nye molekyler som potensielt kan binde til sykdomsmålet. Generative modeller som designer molekyler med ønskede egenskaper fra bunnen av. Virtuell screening som evaluerer millioner av kjente molekyler mot målet virtuelt. Optimalisering som forbedrer lovende molekyler for bedre effekt, sikkerhet og absorpsjon.

AlphaFold

DeepMinds AlphaFold revolusjonerte biologi ved å løse proteinfolding-problemet – å forutsi et proteins 3D-struktur fra aminosyresekvensen. Før AlphaFold tok det måneder eller år å bestemme ett proteins struktur eksperimentelt. AlphaFold gjør det på minutter. Denne kunnskapen er fundamental for legemiddeldesign fordi medisiner typisk virker ved å binde til spesifikke steder på proteiner.

AlphaFold har predikert strukturen til over 200 millioner proteiner – praktisk talt alle kjente proteiner – og databasen er fritt tilgjengelig for forskere globalt. AlphaFold-teamet vant Nobelprisen i kjemi 2024.

AI i preklinisk fase

Toksisitetsprediksjon

AI forutsier om et molekyl sannsynligvis vil ha farlige bivirkninger – før dyre laboratorietester. AI-modeller trent på tusenvis av kjente giftige og trygge forbindelser kan predikere leverskade, hjertetoksisitet og andre bivirkninger, og identifisere problematiske kjemiske strukturer tidlig.

ADME-prediksjon

ADME (Absorpsjon, Distribusjon, Metabolisme, Ekskresjon) beskriver hvordan kroppen håndterer et legemiddel. AI predikerer ADME-egenskaper virtuelt, noe som filtrerer ut uegnede kandidater tidlig og sparer tid og ressurser.

Dyreforsøksreduksjon

AI kan redusere behovet for dyreforsøk ved å predikere biologisk respons virtuelt, simulere farmakokinetikk og effekt, og identifisere kandidater som mest sannsynlig vil lykkes i dyr.

AI i kliniske studier

Pasientrekruttering

Rekruttering er ofte flaskehalsen i kliniske studier. AI akselererer dette ved å identifisere egnede pasienter fra elektroniske pasientjournaler, matche pasienter med studier basert på genetikk, historikk og egenskaper, og predikere hvilke studiesteder som vil rekruttere raskest.

Studiedesign

AI optimaliserer studiets design med optimal dosering basert på simulering, effektiv gruppeinndeling for maksimal statistisk kraft, adaptive design som justerer studien basert på løpende resultater, og biomarkør-identifikasjon som identifiserer hvilke pasienter som mest sannsynlig responderer.

Sanntidsovervåking

AI overvåker studiedata i sanntid for å oppdage tidlige tegn på effekt eller bivirkninger og justere studien deretter.

Legemiddel-reposisjonering

AI identifiserer nye bruksområder for eksisterende, godkjente medisiner – en dramatisk raskere vei til behandling fordi medisinen allerede er godkjent som sikker. Under COVID-19-pandemien brukte AI reposisjonering for å identifisere eksisterende medisiner som kunne bekjempe viruset.

AI-legemiddelselskaper

Flere selskaper er dedikert til AI-drevet legemiddelutvikling. Insilico Medicine har bragt AI-designede molekyler til kliniske studier. Recursion Pharmaceuticals bruker robotlaboratorier med AI for massiv biologisk screening. Exscientia utviklet det første AI-designede molekylet som gikk til kliniske studier. BenevolentAI bruker AI for målidentifikasjon og legemiddeldesign. Isomorphic Labs er DeepMinds legemiddelselskap basert på AlphaFold-teknologien.

AI-legemiddelforskning i Norge

Norge har et aktivt legemiddelforskningsmiljø. Oslo Cancer Cluster bruker AI i kreftforskning og legemiddelutvikling. UiO og NTNU forsker på AI-drevet medisindesign. Norsk Life Science-klynge kobler forskning med industri. Legemiddelverket vurderer regulatoriske rammer for AI i legemiddelutvikling.

Norske biotekselskaper som Nordic Nanovector og Nykode Therapeutics utforsker AI i sine utviklingsprogrammer.

Utfordringer

AI-legemiddelutvikling møter utfordringer. Data der tilgang til høykvalitets biologisk data er begrenset og fragmentert. Validering der AI-prediksjoner må verifiseres eksperimentelt, noe som tar tid. Regulering der regulatoriske myndigheter utvikler rammer for AI-genererte legemiddelkandidater. Kompleksitet der biologi er enormt kompleks, og AI-modeller forenkler nødvendigvis. Replikasjon der mange lovende AI-legemiddelresultater har vært vanskelig å replikere.