A ferramenta de IA generativa da Insilico Medicine, inClinico, alcança alta precisão na previsão de resultados de ensaios clínicos

A Insilico Medicine, uma empresa de descoberta de medicamentos com IA em estágio clínico, anunciou um marco médico inovador: previu com sucesso os resultados dos ensaios clínicos de Fase II a Fase III usando sua ferramenta proprietária de IA baseada em transformador generativo, inClinico.

A fase clínica é responsável por aproximadamente 90% das falhas no desenvolvimento de medicamentos atribuídas a questões como a falta de eficácia, preocupações de segurança e a complexidade das doenças e dos dados. Essas falhas levam à perda de trilhões de dólares e ao desperdício de anos de esforço. Em resposta a esta imensa taxa de falhas, a Insilico desenvolveu a plataforma de software de IA generativa inClinico para prever os resultados dos ensaios clínicos de Fase II.

A plataforma incorpora vários mecanismos que aproveitam o poder da geração de IA e dados multimodais, abrangendo texto, ômicas, design de ensaios clínicos e propriedades de pequenas moléculas. Seus dados de treinamento incluem mais de 55.600 ensaios clínicos exclusivos de Fase II dos últimos sete anos.

O modelo de probabilidade de ensaio clínico subsequente, desenvolvido por pesquisadores da Insilico, demonstrou uma precisão impressionante de 79% quando validado em relação a ensaios do mundo real no conjunto de validação prospectiva onde estavam disponíveis resultados mensuráveis.

IA revolucionando o desenvolvimento de medicamentos

A pesquisa, publicada na revista Clinical Pharmacology and Therapeutics, mostra o potencial da IA ​​para revolucionar o desenvolvimento de medicamentos e a tomada de decisões de investimento.

A empresa disse que os motores de IA utilizados neste estudo foram integrados ao sistema inClinico, projetado para prever os resultados dos ensaios clínicos. Esta integração é um componente chave da plataforma de análise e planejamento de ensaios clínicos Medicine42.

“A IA oferece uma enorme vantagem quando se trata de processar e analisar dados complexos e reconhecer padrões”, disse Alex Zhavoronkov, fundador e CEO da Insilico Medicine, ao VentureBeat. “Usando aprendizado de máquina e IA, construímos modelos baseados em vários pontos de dados relacionados a medicamentos lançados com sucesso e que falharam. Em seguida, combinamos esses modelos em nosso mecanismo de previsão no Clinico. Para cada estudo de Fase II avaliado, o inClinico gera uma probabilidade de sucesso para prosseguir para a Fase III.”

Zhavoronkov disse que os estudos de validação foram realizados internamente e em colaboração com empresas farmacêuticas e instituições financeiras, demonstrando a robustez da plataforma inclinada. Num conjunto de dados de validação quase prospectivo, a plataforma alcançou uma impressionante pontuação ROC AUC de 0,88, uma medida da sua capacidade de discriminar entre sucesso e fracasso nas transições de ensaios clínicos.

A empresa afirma que as previsões precisas da plataforma foram testadas com um portfólio de negociação virtual com data marcada, resultando em um retorno sobre o investimento (ROI) de 35% ao longo de nove meses, tornando-a uma ferramenta valiosa para investidores que buscam insights técnicos críticos de due diligence.

Aproveitando a IA generativa para o desenvolvimento e descoberta de medicamentos

Zhavoronkov, da Insilico, disse que seu grupo de pesquisa criou o conjunto de dados inicial de dados de ensaios clínicos de Fase II de 55.653 ensaios retirados de clinictrials.gov e de várias outras fontes públicas, incluindo comunicados de imprensa e publicações farmacêuticas.

Esses dados tiveram que ser devidamente rotulados, anotados e interligados; uma tarefa executada por especialistas biomédicos, um transformador discriminativo e um grande modelo de linguagem generativo.

Um sistema transformador então mapeou esses ensaios para medicamentos e doenças usando um pipeline de processamento de linguagem natural (PNL) baseado no estado da arte Aprendizagem de Interpretação de Medicamentos e Doenças com Transformador de Representação de Entidade Biomédica (DILBERT), que foi publicado no ECIR Conferência de 2021.

Zhavoronkov afirmou que a indústria farmacêutica tradicionalmente dependia de pesquisas acadêmicas fundamentais e do acaso para gerar novas ideias e hipóteses. No entanto, a elevada taxa de insucesso indica que a complexidade das doenças e dos mecanismos biológicos torna extremamente difícil identificar alvos bem-sucedidos para o tratamento de doenças, especialmente alvos novos.

Revelando insights, tratamentos potenciais

Zhavoronkov afirma que incorporar a IA na análise de grandes e diversos conjuntos de dados pode revelar insights sobre mecanismos de doenças e tratamentos potenciais que podem não ser evidentes para os humanos. O PandaOmics faz parte do inClinico e assimila grandes quantidades de dados de ensaios clínicos, medicamentos e informações sobre doenças para prever a probabilidade de sucesso ou fracasso durante a transição da Fase II para a Fase III.

O PandaOmics utiliza vários tipos de dados, como dados ômicos, subsídios, ensaios clínicos, compostos e publicações para analisar e produzir uma lista classificada de potenciais alvos específicos para uma doença de interesse.

“PandaOmics é um gráfico de conhecimento para identificação de alvos por meio do qual nossa plataforma generativa de IA pode encontrar conexões entre o sucesso ou fracasso de ensaios clínicos, condições de doença e atributos de medicamentos que podem escapar aos cientistas humanos”, disse Zhavoronkov ao VentureBeat. “Usando esses dados, construímos nosso modelo para prever a probabilidade de sucesso do ensaio clínico de Fase II, definida como a transição do par medicamento-condição da Fase II para a Fase III”.

Capacidades preditivas aprimoradas

A Insilico Medicine vem treinando a inClinico em ensaios clínicos, medicamentos e doenças desde 2014, disse Zhavoronkov, que enfatizou que, ao combinar LLMs multimodais e outras tecnologias de geração de IA, a empresa melhorou significativamente suas capacidades preditivas.

Como resultado, o inClinico serve agora como uma ferramenta para orientar as empresas no direcionamento dos seus fundos de investigação e conhecimentos para programas com maior probabilidade de sucesso, ao mesmo tempo que lhes permite capturar e utilizar informações valiosas de programas que enfrentaram reveses.

“A capacidade do inClinico de prever o sucesso dos medicamentos de transição da Fase II para a Fase III, mesmo sem informações prévias relacionadas à relevância clínica da ação do medicamento na doença, valida os modelos generativos de IA e sua capacidade de aproveitar os dados existentes para prever resultados para doenças onde há menos dados disponíveis”, explicou Zhavoronkov. “Quanto mais dados tiver e mais resultados bem-sucedidos, melhor a IA se tornará em previsões precisas.”

O que vem por aí para o Insilico?

Zhavoronkov expressou forte encorajamento em relação às descobertas, ao mesmo tempo que reconheceu a sua base num conjunto de dados limitado. Ele acredita firmemente que a sofisticação e a precisão do sistema melhorarão continuamente ao longo do tempo, impulsionadas por um aumento de dados e reforço, incluindo insights dos programas internos de pipeline da Insilico – três dos quais (para fibrose pulmonar idiopática, câncer e COVID-19) avançaram com sucesso aos ensaios clínicos.

A Insilico projeta que aproximadamente 20 a 25% dos ensaios podem ser avaliados de forma previsível usando a ferramenta inClinico com precisão significativa. A empresa pretende expandir ainda mais as suas capacidades, aproveitando os novos avanços da robótica laboratorial para prever taxas de sucesso para terapias combinadas e facilitar a seleção das combinações mais eficazes para terapias direcionadas.

“Integramos avanços tecnológicos de ponta em nossa plataforma, incorporando robótica alimentada por IA, AlphaFold e computação quântica”, explicou Zhavoronkov. “Meu grande objetivo é ver essa ferramenta implantada extensivamente porque o uso mais amplo levará a melhorias adicionais. Empregamos uma abordagem chamada Aprendizado por Reforço com Feedback de Especialistas (RLEF), onde a precisão da ferramenta melhora com os insights que recebemos dos analistas que a utilizam para previsões. Atualmente, só podemos prever terapêuticas direcionadas de agente único, de primeira classe, de moléculas pequenas.”