Kan en dator upptäcka farliga läkemedel innan de når patienten?

En våg av AI-verktyg siktar på läkemedel och sjukvård

Det brukar sägas att det tar ungefär tolv år och över en miljard dollar att ta ett läkemedel från idé till apotek. En stor del av den kostnaden handlar om fel: molekyler som ser lovande ut men visar sig vara giftiga, eller preparat som interagerar farligt med andra läkemedel. Det är precis de problemen som en rad nya AI-system nu tar sikte på.

Öppen grundmodell vill jämna ut spelplanen

Ett av de mer ambitiösa projekten är OpenDDE – Open Drug Discovery Engine – som presenterades på arXiv. Det är en öppen AI-grundmodell som arbetar på atomnivå och använder så kallad samvikning för att förutsäga hur biomolekyler binder samman. Det som är intressant är inte bara tekniken utan filosofin: genom att frigöra träningskod, slutledningspipelines och riktmärken vill forskargruppen demokratisera tillgången till avancerad biomolekylär intelligens. Idag är den här typen av infrastruktur i stor utsträckning låst inne hos stora läkemedelsbolag. En öppen plattform kan förändra det.

Förutsäger faror för läkemedel som knappt finns ännu

En annan färsk studie presenterar CoFEND, ett system som löser ett av de svårare problemen inom läkemedelssäkerhet: hur förutsäger man farliga interaktioner för ett nytt preparat som inte har någon interaktionshistorik alls? Systemet kombinerar information om molekylära strukturer, enzymer och transportproteiner i kunskapsgrafer och beräknar likheter och riskbedömningar i ett sammanhängande flöde. I tester på verkliga datamängder överträffade det befintliga metoder i noggrannhet – och det ger dessutom förklaringar, inte bara svar.

Omdesignar molekyler med färre biverkningar

Om CoFEND identifierar problem kan PRECEDE hjälpa till att lösa dem. Det är ett system där en stor språkmodell fungerar som koordinator och guidar omdesign av läkemedelsmolekyler, baserat på biomedicinska kunskapsgrafer och etablerade säkerhetsoptimeringar. Mänskliga experter är inbyggda i arbetsflödet via granskningspunkter, vilket gör att alla slutsatser förblir spårbara. Målet är att behålla läkemedlets terapeutiska funktion men minimera biverkningarna – ett område där traditionell forskning är både dyr och tidskrävande.

Kompletterar dessa verktyg varandra? Absolut. Man kan tänka sig ett arbetsflöde där OpenDDE identifierar kandidatmolekyler, CoFEND flaggar interaktionsrisker och PRECEDE föreslår omdesign. Det är inte science fiction längre.

Molekyloptimering med diffusionsmodeller

En fjärde studie undersöker hur diskreta diffusionsmodeller bäst kan anpassas i realtid för att hitta molekyler med önskade egenskaper, exempelvis hög bindningsaffinitet till proteiner. Forskarnas recept – val av kandidater, belöningssignaler, avpartiskhet, återanvändning av data och kontroll av molekylär giltighet – överträffar tidigare metoder, särskilt när de eftertraktade molekylerna kräver stora avvikelser från modellens ursprungliga utgångspunkt. Det är just de fallen som är svårast, och viktigast.

Intensivvård: när det som saknas berättar något

Ute i sjukvården handlar problemen om annat. Systemet CISM tar sig an en subtil men viktig insikt: om en läkare väljer att inte mäta en parameter kan det i sig vara en klinisk signal. CISM omvandlar kliniska variabler till spektrogram och modellerar explicit var mätvärden saknas. I tester på MIMIC-IV-databasen, med uppgiften att förutsäga dödlighet under sjukhusvistelse, slog det samtliga jämförda metoder. Att behandla luckor i data som information snarare än brus är en elegant omformulering av problemet.

Hjärnvågor, samtalstiming och depression

Längre ut på grundforskningsfronten finns två studier som pekar mot framtida screeningverktyg. En forskargrupp har visat att EEG-signaler innehåller svaga men detekterbara kopplingar till psykisk ohälsa hos barn – systemet organiserar hjärnvågsmönster på global, regional och elektrodspecifik nivå. En annan studie visar att samtalstiming – alltså hur lång tid det tar mellan replikskiften i ett kliniskt samtal – kan vara ett kraftfullt komplement vid screening för depression, i vissa fall bättre än enskilda akustiska eller språkliga analysmetoder.

Ingen av dessa är redo för klinisk användning än, men de visar att signalerna finns.

Och AI:n som inte kan räkna?

Slutligen en nykter påminnelse: ett nytt riktmärke kallat MedCalc-Pro testar hur väl stora språkmodeller klarar medicinska beräkningar i verkliga kliniska sammanhang – med 2 268 patientfall och 77 medicinska kalkylatorer. Resultaten visar att befintliga modeller kämpar med flerstegiga, sammanlänkade beräkningar. Det är en viktig påminnelse om att imponerande resonemang inte är samma sak som tillförlitlig aritmetik. Grunderna måste fungera.