Od „hit-and-miss“ do algoritamski vođene paradigme

Tradicionalni model razvoja leka traje 10–15 godina i košta više od 2,6 milijardi USD po odobrenju. AI-platforme koje objedinjuju obradu „velikih podataka“, generativne modele i laboratorijsku automatizaciju već sada skraćuju taj ciklus na 4–6 godina i smanjuju troškove i do 70 % lifebit.ai. Dodatni vetar u leđa stigao je kada je FDA u martu 2025. objavila nacrt smernica za upotrebu AI-a u regulatornom odlučivanju, što je industriji dalo jasnu mapu puta ka usvajanju novih tehnologija U.S. Food and Drug Administration.

Integrisana multi-omic analitika kao polazna tačka

Spajanjem genomskih, transkriptomskih, proteomskih i metabolomskih podataka, istraživači danas brzo identifikuju validne mete bolesti. Lansiranje AlphaFold 3 (novembar 2024.) omogućilo je predviđanje 3D-struktura proteina i njihovih kompleksa, što ubrzava mapiranje „drogabilnih“ sajtova i dizajn inhibitora u ranoj fazi blog.google.

Virtuelni screening 2.0: Boltz-2 i brže rangiranje biblioteka

Novi model Boltz-2, zajednički rad MIT-a i Recursion-a (jun 2025.), donosi do 1000 puta brže predviđanje veznog afiniteta od klasičnih FEP simulacija, a istovremeno modeluje strukturu i dinamiku liganda u jednoj inferenciji BioPharm International. Time se milijarde molekula mogu virtuelno „prečešljati“ za samo nekoliko sati, a laboratoriji dobijaju listu top-kandidata sa većom preciznošću.

Generativni AI za dizajn novih molekula

Najzvučniji dokaz da generativni AI radi u praksi je Rentosertib – TNIK inhibitor koji je iz „računara“ stigao do faze IIa i pokazao klinički signal efikasnosti kod idiopatske plućne fibroze Insilico Medicine. Umesto sinteze i testiranja hiljada spojeva, timovi sada generišu stotine jedinstvenih molekula dnevno, sintetišu svega nekoliko desetina i brže prelaze u prekliničku fazu.

In-silico predikcija ADMET-a

Ensemble modeli dubokog učenja trenirani na istorijskim toksikološkim setovima dostižu ~80 % tačnosti u predviđanju hepatotoksičnosti i drugih ključnih end-poena, što rano eliminiše „crvene zastavice“ i smanjuje broj in-vivo studija PMC.

Digital twins: virtuelni pacijenti u kliničkim ispitivanjima

Start-up Unlearn već koristi digitalne blizance da zamene deo placebo grupe, čime se klinička ispitivanja skraćuju, postaju etičnija i jeftinija; samo 6 meseci kraćeg trajanja donosi milionske uštede i brži dolazak terapije do pacijenta PYMNTS.com.

Organi-na-čipu + AI analiza slike

Mikrofluidne platforme koje imitiraju ljudska tkiva nude preciznije predikcije efikasnosti i toksičnosti od životinjskih modela. AI-pogonjena analiza visokog sadržaja povećava „predictive power“ ovih sistema i dodatno ubrzava preselekciju kandidata Frontiers.

AI-optimizovan dizajn kliničkih studija

Prediktivna stratifikacija pacijenata, adaptivni protokoli i simulacije ishoda omogućavaju brže regrutovanje i smanjuju stopu neuspeha u fazi II. Kompanije poput Recursion-a već vode osam AI-dizajniranih kandidata kroz klinički pipeline, uz 30 % kraće vreme regrutacije (interni izveštaji, 2025).

Inkorporacija real-world evidence u rani razvoj

Analitika elektronskih kartona, nosivih uređaja i registara neželjenih događaja („farmakovigilanca 2.0“) omogućava potvrdu mehanizma dejstva i rano otkrivanje sigurnosnih signala, dok FDA-in okvir traži transparentnost i validaciju svakog AI modela U.S. Food and Drug Administration.

Autonomne laboratorije: AI + robotika

Platforme poput Makya/Spaya/Ilaka kompanije Iktos orkestriraju dizajn, retrosintezu i robotičku sintezu molekula, isporučujući pretkliničke kandidate za manje od 2 godine Iktos. Ovo je paradigma „lights-out“ laboratorija koje rade 24/7 uz minimalnu ljudsku intervenciju.

Prediktivno održavanje i GMP 4.0

ML-modeli na proizvodnim linijama predviđaju kvarove opreme i optimizuju parametre procesa u realnom vremenu, čime smanjuju neplanirane zastoje do 40 % i smanjuju otpad.

„Compliance-by-design“ i automatska regulativa

eCTD moduli, odgovori regulatorima i QC izveštaji mogu se generisati i validirati u hodu pomoću LLM-ova. Novi FDA vodič zahteva „audit trail“ svakog AI-koraka, ali istovremeno skraćuje administrativno vreme za podnošenje dosijea U.S. Food and Drug Administration.

Etika i objašnjivost modela

Uz rast moći modela raste i potreba za XAI pristupima, federativnim učenjem i diferencijalnom privatnošću kako bi se zaštitili podaci pacijenata i izbegla algoritamska pristrasnost.

Ekonomija i ROI

Analize pokazuju da kombinacija AI-platformi i laboratorijske automatizacije može prepoloviti ukupan R&D budžet i povećati stopu uspeha kandidata za >20 % – što je ključno u eri skupljih, biološki kompleksnih terapija lifebit.ai.

Zaključak: put ka „software-defined drug discovery“

Farmaceutske kompanije koje:

  • Mapiraju AI use-case-ove s brzim povratom (npr. virtuelni screening, prediktivni ADMET).
  • Grade multidisciplinarne AI Centres of Excellence.
  • Implementiraju principe objašnjivosti i „privacy-by-design“.

…biće spremne da u potpunosti iskoriste sledeću dekadu u kojoj će digitalni blizanci, generativni modeli i autonomne laboratorije postati standard, a razvoj leka kraći, precizniji i održiviji nego ikada pre.

“Odvažite se sanjati veliko, ostanite verni svojim vrednostima – pred nama su izuzetna vremena. Prihvatite rizik, gradite mostove ka svetu i ostavite svoj trag na globalnoj AI sceni.” – Marjan Radeski

Želite da saznate kako da započnete AI putovanje u sopstvenoj organizaciji?

Počnite da posećujete ovu stranicu svakodnevno, za DOBRO JUTRO, i napravite prvi korak ka farmaciji budućnosti.