יתרון מרכזי אחד של יישום בינה מלאכותית בשלבים המוקדמים של גילוי תרופות הוא שבינה מלאכותית יכולה לבצע סקר וירטואלי בקנה מידה גדול, או לבצע מספר ניסויים בו זמנית, ובכך להגדיל את קנה המידה של תרכובות ההקרנה ולקדם תרכובות פוטנציאליות לתרכובות עופרת, כמו גם מהירות הטיפולים המועמדים. ד"ר ג'ים קולינס, פרופסור ב-MIT, הצהיר בראיון עם צוות התוכן של WuXi AppTec כי חוקרים יכולים לאמן מודלים של AI עם ספריות תרכובות בקנה מידה קטן ולאחר מכן להשתמש במודלים אלה כדי לחקור מרחבים כימיים עצומים. זה מאפשר לצוות שלו להשלים את ההקרנה של ספריית מתחמים וירטואלית המכילה מיליארדי מתחמים תוך מספר ימים. לא ניתן להשיג זאת באמצעות ניסויים קונבנציונליים.
מר פאנה שארמה, מנכ"ל לנטרן פארמה, הצהיר בראיון ל-Nature Cancer כי פרויקט המחקר והפיתוח נגד הסרטן של החברה, מהחור הראשוני שנוצר בינה מלאכותית ועד הכניסה לניסוי הקליני הראשון בבני אדם, לוקח כמחצית מהזמן מהאסטרטגיות המסורתיות. ויכול להוזיל עלויות עד 80%. לחברות אחרות המשתמשות בינה מלאכותית לפיתוח תרופות, כמו רקורסיון ו-Insilico Medicine, יש חוויות דומות. למרות שבינה מלאכותית אינה יכולה להחליף ניסויים כיום, היא יכולה לאפשר לחוקרים לבצע ניסויים נכונים מהר יותר, ובכך לשפר את אחוזי ההצלחה.
אחת ההשפעות המוקדמות של בינה מלאכותית על הטיפול בסרטן עשויה לבוא לידי ביטוי בשימוש חוזר בתרופות כושלות או מיושנות. אם לוקחים את לנטרן כדוגמה, פלטפורמת הבינה המלאכותית שלה אוספת מיליארדי נקודות מידע הקשורות לאונקולוגיה. נתונים אלה מגיעים ממחקר מדעי, ניסויים קליניים וממאגרי מידע. באמצעות למידת מכונה כדי לחזות את תגובות החולים לתרופות מועמדות, בינה מלאכותית יכולה לגלות במהירות אינדיקציות חדשות שטרם התגלו או לזהות תת-סוגים חדשים של סרטן וסמנים ביולוגיים שלהם שעדיין לא אופיינו במלואם.
זיהוי שילובי תרופות יעילים הוא כיוון יישום נוסף של בינה מלאכותית. כיום, בדיקת שילובי תרופות היא גם קשה וגם גוזלת זמן, בעוד שבינה מלאכותית יכולה לחזות מהר יותר אילו שילובי תרופות יעילים יותר על ידי ניתוח נתונים מכל הניסויים הקליניים.
היכולת של AI גנרטיבי להתאים אישית מבנים מולקולריים חדשים המבוססים על תכונות יעד ספציפיות כדי להשיג השפעות טיפוליות ספציפיות מרגשת במיוחד עבור תומכיו. נכון לעכשיו, AI גנרטיבי הוכיח את היכולת לעצב חלבונים חדשים או תרכובות מולקולות קטנות מאפס בהתבסס על מאפייני יעד במחקר פרה-קליני. לדוגמה, הצוות של פרופסור דיוויד בייקר, חתן פרס נובל, פרסם מאמר בכתב העת Science המציג את כלי הדמיית החלבון המשופר RoseTTAFold All Atom וכלי עיצוב החלבון RFdiffuion All Atom. RoseTTAFold All Atom מאפשר למדענים לדמות את האינטראקציות בין חלבונים וביומולקולות אחרות. RFdiffuion All Atom מאפשרת למדענים לעצב חלבונים חדשים לגמרי מאפס בהתבסס על הכיסים הנקשרים לתרכובות ספציפיות, מה שעלול לסלול את הדרך לתכנון טיפולים מדויקים.
מצד שני, רוב הביו-מולקולות שנוצרו על ידי AI בצנרת המחקר והפיתוח הקליני הנוכחי עדיין דומות למולקולות קיימות, שהותאמו כדי לשפר את הסלקטיביות שלהן או להפחית רעילות שאינה מטרה.
תרופות מועמדות עדיין צריכות להוכיח את יעילותן בבני אדם, דבר שלא ניתן להשיג ללא ניסויים קליניים. בתהליך פיתוח התרופות, ניסויים קליניים תופסים את רוב העלות והזמן של המחקר והפיתוח, כך שגם לשיפור יעילות קטן יכולה להיות השפעה עצומה.
רקורסיה משתמשת בנתונים קליניים ורב אומיקים ממוסדות לאיסוף נתונים מקצועיים כגון Tempus, המבוססים על מודלים של בינה מלאכותית כדי לזהות מטופלים שעשויים להפיק את התגובה הטובה ביותר. שיפור בדיקת המטופל לא רק אומר ניסויים בקנה מידה קטן יותר, אלא גם מגדיל באופן תיאורטי את אחוזי ההצלחה.
ניתן להשתמש בבינה מלאכותית גם כדי לגלות מטופלים מתאימים ולקבוע את מיקום הניסוי האופטימלי, ובכך למקסם את האצת גיוס המטופלים.
