Tehisintellekti kasutamise üks peamisi eeliseid ravimite avastamise varases staadiumis on see, et tehisintellekt võib teha suures mahus virtuaalset sõeluuringut või teha korraga mitu katset, suurendades seeläbi ühendite sõelumise ulatust ja muutes potentsiaalsed ühendid pliiühenditeks, samuti kandidaatteraapiate kiirus. MIT-i professor dr Jim Collins väitis intervjuus WuXi AppTeci sisumeeskonnaga, et teadlased saavad treenida tehisintellekti mudeleid väikesemahuliste liitteekidega ja seejärel kasutada neid mudeleid suurte keemiliste ruumide uurimiseks. See võimaldab tema meeskonnal mõne päeva jooksul lõpule viia miljardeid ühendeid sisaldava virtuaalse ühenditeegi sõelumine. Seda ei ole võimalik saavutada tavapäraste katsetega.
Lantern Pharma tegevjuht hr Panna Sharma ütles ajakirjale Nature Cancer antud intervjuus, et ettevõtte vähivastane uurimis- ja arendusprojekt, alates algsest tehisintellekti tekitatud august kuni esimese kliinilise uuringuni inimestel, võtab umbes poole vähem aega kui traditsiooniliste strateegiate jaoks. ja võib vähendada kulusid kuni 80%. Sarnased kogemused on ka teistel ettevõtetel, kes kasutavad AI-d ravimite arendamiseks, nagu Recursion ja Insilico Medicine. Kuigi tehisintellekt ei saa praegu eksperimente asendada, võib see võimaldada teadlastel õigeid katseid kiiremini lõpule viia, parandades seeläbi edukuse määra.
Üks tehisintellekti varajastest mõjudest vähiravile võib kajastuda ebaõnnestunud või aegunud ravimite taaskasutamises. Võttes näiteks Lanterni, kogub selle tehisintellekti platvorm miljardeid onkoloogiaga seotud andmepunkte. Need andmed pärinevad teadusuuringutest, kliinilistest uuringutest ja andmebaasidest. Kasutades masinõpet, et ennustada patsientide reaktsioone kandidaatravimitele, suudab tehisintellekt kiiresti avastada seni avastamata uusi näidustusi või tuvastada uusi vähi alatüüpe ja nende biomarkereid, mida pole veel täielikult iseloomustatud.
Tehisintellekti teine rakendussuund on tõhusate ravimite kombinatsioonide tuvastamine. Praegu on ravimikombinatsioonide testimine nii keeruline kui ka aeganõudev, samas kui tehisintellekt suudab kõigi kliiniliste uuringute andmeid analüüsides kiiremini ennustada, millised ravimikombinatsioonid on tõhusamad.
Generatiivse tehisintellekti võime kohandada uusi molekulaarstruktuure konkreetsete sihtomaduste alusel, et saavutada spetsiifilisi terapeutilisi efekte, on selle toetajate jaoks eriti põnev. Praegu on generatiivne AI näidanud prekliinilistes uuringutes suutlikkust kavandada nullist uudseid valke või väikese molekuliga ühendeid, lähtudes sihtmärgi omadustest. Näiteks Nobeli preemia laureaadist professor David Bakeri töörühm avaldas ajakirjas Science artikli, milles tutvustas täiustatud valgu simulatsioonitööriista RoseTTAFold All Atom ja valgu kujundamise tööriista RFdiffuion All Atom. RoseTTAFold All Atom võimaldab teadlastel simuleerida valkude ja teiste biomolekulide vahelisi koostoimeid. RFdiffuion All Atom võimaldab teadlastel luua nullist täiesti uusi valke, mis põhinevad konkreetsete ühenditega seonduvatel taskutel, mis võib sillutada teed täpsete ravimeetodite kavandamiseks.
Teisest küljest on enamik AI poolt praeguses kliinilises uurimis- ja arendustegevuses loodud biomolekule endiselt sarnased olemasolevate molekulidega, mida on kohandatud nende selektiivsuse parandamiseks või sihtmärgivälise toksilisuse vähendamiseks.
Kandidaatravimid peavad endiselt tõestama oma efektiivsust inimestel, mida ei ole võimalik saavutada ilma kliiniliste uuringuteta. Ravimiarenduse protsessis võtavad kliinilised uuringud suurema osa uurimis- ja arendustegevuse kuludest ja ajast, seega võib isegi väikesel tõhususe parandamisel olla tohutu mõju.
Recursion kasutab tehisintellekti mudelitel põhinevaid kliinilisi ja multiomika andmeid professionaalsetelt andmekogumisasutustelt, nagu Tempus, et tuvastada patsiendid, kes võivad anda parima vastuse. Patsientide sõeluuringu parandamine ei tähenda mitte ainult väiksema ulatusega katseid, vaid suurendab ka teoreetiliselt edukuse määra.
Tehisintellekti saab kasutada ka sobivate patsientide avastamiseks ja optimaalse uuringu asukoha määramiseks, suurendades seeläbi patsientide värbamise kiirendamist.
