Sztuczna inteligencja może w przyszłości pomóc podwoić długość życia człowieka, ale na razie to ambitny cel, a nie potwierdzona prognoza. Tak twierdzą naukowcy zaangażowani w badania nad lekami przeciwstarzeniowymi, którzy w dwóch nowych publikacjach opisali, jak AI zmienia sposób poszukiwania terapii i oceny ich wpływu na organizm.
W czasopiśmie «Cell» zespół badaczy przedstawił otwarte narzędzia do oceny modeli AI, które mają pomagać w identyfikowaniu potencjalnych celów lekowych w biologii starzenia. Z kolei w «Nature Biotechnology» naukowcy sprawdzili, jak pomiary starzenia oparte na krwi można włączyć do badania klinicznego leku opracowanego z udziałem sztucznej inteligencji. Jak podkreślają autorzy, nie można jeszcze powiedzieć, że jakikolwiek lek wydłuży życie, ale oba badania wskazują kierunek rozwoju farmakoterapii.
Odkrywanie leków opiera się na dwóch zegarach. Pierwszy, obliczeniowy, działa szybko: AI analizuje dane biologiczne, wskazuje potencjalne cele, generuje struktury chemiczne i podpowiada, które eksperymenty warto przeprowadzić. Drugi, biologiczny, jest znacznie wolniejszy. Cząsteczka musi zostać zsyntetyzowana i przebadana, trzeba ustalić, czy dociera do właściwej tkanki, działa zgodnie z oczekiwaniem i nie powoduje szkodliwych skutków. Badania z udziałem ludzi wymagają rekrutacji pacjentów, doboru dawki i odpowiednio długiej obserwacji.
Przykładem jest rentosertib, lek opracowany z myślą o idiopatycznym zwłóknieniu płuc, chorobie postępująco bliznowaciejącej płuca. AI pomogła zidentyfikować cel biologiczny i zaprojektować cząsteczkę. Kandydat przedkliniczny powstał w 18 miesięcy, ale to dopiero etap odkrycia, a nie gotowy lek. Po badaniach laboratoryjnych i klinicznych badanie fazy IIa wykazało zachęcający sygnał dotyczący czynności płuc, a program wszedł w fazę III.
W analizie opublikowanej w «Nature Biotechnology» naukowcy zastosowali sześć proteomicznych zegarów starzenia do próbek krwi części uczestników badania rentosertibu. Modele te szacują wiek biologiczny na podstawie wzorców białek krążących we krwi. Wykryły zmiany związane z leczeniem, które przesuwały przewidywany profil w stronę młodszego. Autorzy zastrzegają jednak, że wynik wymaga dalszych badań i nie oznacza, że pacjenci dosłownie stali się młodsi.
Analiza miała charakter eksploracyjny, objęła 42 osoby z poważną chorobą płuc i krótki okres obserwacji. Zmiana w białkach może odzwierciedlać różne procesy, w tym zmiany związane z samą chorobą. To rozróżnienie ma znaczenie nie tylko dla firm farmaceutycznych. Coraz więcej przedsiębiorstw oferuje pomiary wieku biologicznego, dlatego klienci i inwestorzy powinni pytać, co właściwie przewiduje zmieniający się wynik. Czy przekłada się na lepszą sprawność fizyczną, mniej chorób lub dłuższe życie? Czy związek ten potwierdzono dla konkretnej interwencji?
Biomarker może być użytecznym narzędziem badawczym, zanim stanie się uznanym zastępnikiem wyniku klinicznego. Traktowanie tych dwóch ról jako wymiennych grozi zamianą informacyjnego sygnału w obietnicę, której nie da się poprzeć dowodami. Zdaniem badaczy AI może też usprawnić same badania kliniczne: lepszy projekt protokołu, skuteczniejsza rekrutacja i szybszy przegląd danych mogą ograniczyć opóźnienia. Sztuczna inteligencja pomoże wybierać użyteczne pomiary i wskazywać pacjentów, którzy najprawdopodobniej odniosą korzyść.
Efektywność nie odpowie jednak na każde pytanie biologiczne. Rzadkie działanie niepożądane może ujawnić się dopiero po podaniu leku wystarczająco dużej liczbie osób, a trwała korzyść wymaga długiej obserwacji. Szczególnie wymagające jest pytanie, czy lek zapobiegawczy pomaga zdrowej osobie dopiero po dekadach. Praktyczna odpowiedź polega na oddzieleniu opóźnień, które technologia może usunąć, od obserwacji, których nauka wciąż potrzebuje. Warto inwestować w lepszą organizację badań, ale też w długoterminowe analizy i wspólne zbiory danych, które nadadzą ich wynikom sens.
Dla firm następnym krokiem jest zdefiniowanie sukcesu, zanim padnie twierdzenie o długowieczności. Trzeba określić populację, wynik i dowody potrzebne do jego potwierdzenia, publikować metody i ograniczenia oraz odróżniać odkrycia eksploracyjne od wyników potwierdzonych w większym badaniu. Inwestorzy powinni pytać, czy firma potrafi wielokrotnie zamieniać przewidywania w wiarygodne eksperymenty i dowody kliniczne. Liczba cząsteczek wygenerowanych przez model ma mniejsze znaczenie niż jakość decyzji, które po nich następują.