AI w odkrywaniu leków na choroby rzadkie
Sztuczna inteligencja wspiera projektowanie cząsteczek i repozycjonowanie leków na choroby rzadkie. Omówiono polskie wymogi AI Act oraz RODO przy przetwarzaniu danych medycznych.
Sztuczna inteligencja wspiera projektowanie i optymalizację cząsteczek leków na choroby rzadkie poprzez przewidywanie powinowactwa do białek docelowych oraz ocenę parametrów ADME i toksyczności przed syntezą chemiczną. Modele uczenia maszynowego analizują istniejące dane, generują propozycje struktur i skracają wstępny etap selekcji kandydatów.
Czym jest AI w odkrywaniu leków na choroby rzadkie?
Algorytmy uczenia maszynowego analizują relacje struktura–aktywność na podstawie zbiorów danych chemicznych i biologicznych. Pozwala to generować propozycje modyfikacji cząsteczek, które zwiększają selektywność i stabilność metaboliczną. W przypadku chorób rzadkich, gdzie dostępnych jest niewiele przykładów, modele łączą dane z różnych źródeł omicznych, aby uzupełnić brakujące informacje.
Proces nie zastępuje badań laboratoryjnych. Kandydaci wskazani przez algorytmy przechodzą syntezę, testy na liniach komórkowych oraz modelach zwierzęcych przed wejściem do badań klinicznych. Weryfikacja biologiczna pozostaje obowiązkowa na każdym etapie.
Zastosowania AI w projektowaniu i repozycjonowaniu leków
Modele typu AlphaFold i narzędzia Isomorphic Labs służą do przewidywania struktury białek oraz miejsc wiązania potencjalnych leków. Sztuczna inteligencja projektuje biblioteki nowych cząsteczek i przewiduje właściwości ADME/Tox, co pozwala odrzucać nieperspektywiczne kandydatów wcześniej. W 2026 r. Isomorphic Labs przygotowuje pierwsze badania kliniczne leków zaprojektowanych tą metodą, w tym na wybrane choroby rzadkie.
Repozycjonowanie leków przy użyciu modeli AI polega na przesiewaniu istniejących substancji wobec nowych celów terapeutycznych. Przykładem jest identyfikacja talarozolu i sertakonazolu jako potencjalnych kandydatów dla zespołu Leigha z wykorzystaniem organoidów mózgowych i głębokiego uczenia. Wyniki opublikowano w Nature Communications.
Podobne podejście stosuje się przy innych schorzeniach mitochondrialnych i metabolicznych. Ponowne wykorzystanie zatwierdzonych leków skraca czas rozwoju terapii i obniża koszty badań przedklinicznych.
Polski kontekst regulacyjny i wdrożenia
Systemy AI stosowane w obszarze zdrowia podlegają od sierpnia 2026 r. wymogom AI Act jako systemy wysokiego ryzyka. Oznacza to konieczność oceny zgodności, prowadzenia dokumentacji technicznej oraz zarządzania ryzykiem. Przetwarzanie danych medycznych wymaga ponadto spełnienia zasad RODO, w tym przeprowadzenia oceny skutków dla ochrony danych (DPIA) nadzorowanej przez UODO.
Narodowe Centrum Badań i Rozwoju finansuje wybrane projekty łączące uczenie maszynowe z biologią obliczeniową. Saventic Health rozwija algorytmy wspomagające identyfikację pacjentów z podejrzeniem chorób rzadkich. System przetwarza dokumentację medyczną i działa już na czterech kontynentach.
Ograniczenia i wymagania dotyczące jakości danych
Skuteczność modeli zależy od jakości i różnorodności zbiorów treningowych. Niewystarczająca liczba przykładów dla danej choroby rzadkiej zwiększa ryzyko nadmiernego dopasowania. Stosuje się wtedy techniki transfer learningu oraz integrację danych z publicznych baz i badań przedklinicznych.
Walidacja biologiczna pozostaje niezbędna. Żaden wynik obliczeniowy nie zastępuje eksperymentów potwierdzających aktywność i bezpieczeństwo cząsteczki. Tradycyjny rozwój leku nadal wymaga lat badań klinicznych i znacznych nakładów finansowych.
Praktyczny przebieg prac z wykorzystaniem AI
Etap pierwszy obejmuje zebranie i standaryzację danych genetycznych, biochemicznych oraz klinicznych. Następnie trenuje się modele predykcyjne, najczęściej oparte na architekturach głębokich sieci neuronowych lub metodach typu random forest. Kolejny krok to generowanie propozycji struktur cząsteczek z użyciem modeli generatywnych, po czym następuje ocena wirtualna in silico.
Ostateczna weryfikacja odbywa się w warunkach laboratoryjnych. Polskie instytucje uczestniczą w projektach unijnych, które mają na celu skrócenie czasu rozwoju terapii sieroczych przy jednoczesnym zachowaniu wymagań AI Act i RODO.
AI w odkrywaniu leków na choroby rzadkie wymaga ścisłej integracji obliczeń z badaniami laboratoryjnymi i pełnej zgodności z regulacjami. Więcej szczegółów na temat etapów procesu zawiera artykuł AI w odkrywaniu leków na rzadkie choroby – etapy.
Czytaj też: AI w odkrywaniu leków na rzadkie choroby – etapy · Aktualności AI.
AI Act (UE)
Rozporządzenie UE o AI. Pełne obowiązki od sierpnia 2026. Polska ustawa o systemach AI w trakcie.
artificialintelligenceact.eu →UODO
Urząd Ochrony Danych Osobowych. Egzekwuje RODO. DPIA wymagane przy wdrożeniach AI.
uodo.gov.pl →Krok po kroku: playbook wdrażania AI drug discovery
- Analiza danych źródłowych: Dane kliniczne, genetyczne, biochemiczne.
Analiza danych źródłowych: Dane kliniczne, genetyczne, biochemiczne.
- Modelowanie predykcyjne: Trening modelu AI na zróżnicowanych danych (deep learni…
Modelowanie predykcyjne: Trening modelu AI na zróżnicowanych danych (deep learning, random forest).
- Projektowanie molekularne: Generowanie cząsteczek z wykorzystaniem GAN lub reinf…
Projektowanie molekularne: Generowanie cząsteczek z wykorzystaniem GAN lub reinforcement learning.
- Ocena skuteczności: Wirtualne testy (in silico), ocena potencjału terapeutycznego.
Ocena skuteczności: Wirtualne testy (in silico), ocena potencjału terapeutycznego.
- Walidacja biologiczna: Eksperymenty laboratoryjne na liniach komórkowych/modelac…
Walidacja biologiczna: Eksperymenty laboratoryjne na liniach komórkowych/modelach zwierzęcych.
- Optymalizacja i pipeline: Automatyzacja iteracji, integracja z bioinformatyką.
Optymalizacja i pipeline: Automatyzacja iteracji, integracja z bioinformatyką.
FAQ
- Jak AI wspiera projektowanie leków na choroby rzadkie?
- Algorytmy przewidują powinowactwo cząsteczek do białek docelowych oraz oceniają parametry ADME i toksyczności. Pozwala to szybciej selekcjonować kandydatów przed syntezą i testami laboratoryjnymi.
- Czy AI zastępuje badania laboratoryjne przy lekach sierocych?
- Nie zastępuje. Modele wskazują kandydatów, którzy następnie przechodzą syntezę, testy komórkowe i badania na modelach zwierzęcych przed fazą kliniczną.
- Jakie regulacje obowiązują w Polsce przy AI w medycynie?
- Od sierpnia 2026 r. systemy AI w zdrowiu podlegają AI Act jako wysokiego ryzyka. Wymagane są ocena zgodności, dokumentacja i DPIA zgodnie z RODO nadzorowanym przez UODO.
- Jak Saventic Health wykorzystuje AI przy chorobach rzadkich?
- Algorytm analizuje dokumentację medyczną i wskazuje pacjentów z ryzykiem około 50 chorób rzadkich. System działa w kilku krajach i skraca czas diagnozy.
