ابزار جدید شرکت دارو سازی Insilico Medicine استارتاپ هوش مصنوعی به نام InClinico توسعه داده که از یادگیری ماشینی برای پیش‌بینی اینکه آیا دارویی آزمایش‌های بالینی را پشت سر می‌گذارد یا نه، استفاده می‌کند.

استارت‌آپ جدید شرکت دارو سازی Insilico Medicine که با استفاده از هوش مصنوعی اقدام به ساخت ترکیبات دارویی می‌کند. ابزار هوش مصنوعی را توسعه داده است که می‌تواند با دقت 79 درصد نتایج آزمایش‌های بالینی فاز 2 را پیش‌بینی کند. بر اساس مقاله‌ای در مجله Clinical Pharmacology and Therapeutics، این ابزار یک پلت فرم نرم‌افزاری مبتنی بر هوش مصنوعی است که InClinico نام دارد، یک پلتفرم نرم‌افزاری مبتنی بر ترانسفورماتور است که از موتورهای پیش‌بینی که هوش مصنوعی و داده‌های چندوجهی مولد، از جمله omics، متن، طراحی کارآزمایی بالینی و ویژگی‌های مولکول کوچک استفاده می‌کنند، قدرت می‌گیرد که این پلتفرم را قادر می‌سازد تا احتمال عبور فاز 2 کارآزمایی بالینی به فاز 3 را پیش‌بینی کند. سه مرحله از آزمایشات بالینی قبل از تأیید FDA برای هر ترکیب جدیدی از داروها وجود دارد پس از این سه مرحله، مرحله چهارم مرحله تأیید برای سنجش تأثیر دارو بر جمعیت‌های بزرگ و متنوع می‌باشد. کمتر از 10 درصد داروها تمام مراحل را پشت سر می‌گذارند. مراحل بالینی جایی است که تعداد زیادی از ترکیبات جدید دارویی به دلیل نگرانی‌های ایمنی یا ناکارآمدی عمومی در نتایج شکست می‌خورند که به طور بالقوه برای شرکت‌های دارویی هزینه‌های زیادی به همراه خواهد داشت. این مقاله توضیح می‌دهد که چگونه پیش‌بینی دقیق نتایج کارآزمایی‌های بالینی می‌تواند به شرکت‌ها برای رسیدن به ایده‌آل‌های خود کمک کند.

InClinico و ChatGPT:

قابل ذکر است، مدل‌های هوش مصنوعی دیگری نیز وجود دارند که نتایج کارآزمایی بالینی را پیش‌بینی می‌کنند، اما از نظر دامنه کارکرد محدودتر هستند. بر اساس این مقاله، InClinico "همه رویکردهای امتیازدهی، منابع داده چندوجهی و پیشینه بیولوژیکی" را در مدل های یادگیری عمیق ادغام می کند.Insilico  مجموعه داده های آموزشی InClinico را از بیش از 55600 کارآزمایی بالینی منحصر به فرد فاز 2 ساخته است که طی هفت سال گذشته از منابع عمومی جمع آوری شده است. مدل زبان بزرگ GPT-3.5 OpenAI، مدلی که ChatGPT از آن قدرت میگیرد، نتایج آزمایش‌های بالینی را از متن‌های آزاد مانند بیانیه‌های مطبوعاتی استخراج می‌کند. سپس کارشناسان انسانی محتوا را برای ساخت مجموعه داده بررسی می کنند. مجموعه داده همچنین شامل داده‌های مربوط به حدود 3.8 میلیون پتنت علوم زیستی، 30 میلیون نتیجه تحقیقات زیست پزشکی و اطلاعات مربوط به 13000 دارو از مرحله 1 آزمایش‌های بالینی تا راه‌اندازی است. الکس آلیپر، رئیس Insilico Medicine و یکی از نویسندگان مقاله، می‌گوید: «شکست‌های کارآزمایی بالینی مشکلات پیچیده‌ای هستند که هوش مصنوعی به طور منحصربه‌فردی برای حل آن‌ها مورد استفاده قرار میگیرد. با استفاده از این ابزار، ما می‌توانیم به شرکت‌ها کمک کنیم تا برنامه های خود را اولویت بندی کنند و به سرمایه‌گذاران بینش‌های مهمی در مورد برنامه‌های کشف دارو بدهیم که احتمال موفقیت آن‌ها بیشتر است.»