شرکت های داروسازی و بیوتکنولوژی که تحت فشار فزاینده ای برای رقابت در یک محیط اقتصادی و فناوری چالش برانگیز قرار دارند، باید به طور مستمر در برنامه های تحقیق و توسعه خود نوآوری کنند تا از بازی جلوتر بمانند.
نوآوری‌های خارجی به اشکال مختلف می‌آیند و از مکان‌های مختلفی سرچشمه می‌گیرند - از آزمایشگاه‌های دانشگاهی گرفته تا استارت‌آپ‌های سرمایه‌گذاری خطرپذیر خصوصی و سازمان‌های تحقیقاتی قراردادی (CRO). بیایید به بررسی برخی از تأثیرگذارترین روندهای تحقیقاتی که در سال 2018 و پس از آن «داغ» خواهند بود، بپردازیم و برخی از بازیگران کلیدی را که نوآوری‌ها را هدایت می‌کنند، خلاصه کنیم.
سال گذشته BioPharmaTrend خلاصه کردچندین گرایش مهمتأثیرگذار بر صنعت بیودارو، یعنی: پیشرفت جنبه های مختلف فناوری های ویرایش ژن (به طور عمده، CRISPR/Cas9). رشد شگفت انگیز در زمینه ایمونوآنکولوژی (سلول های CAR-T)؛ تمرکز فزاینده بر تحقیقات میکروبیوم؛ علاقه عمیق به پزشکی دقیق؛ برخی از پیشرفت های مهم در کشف آنتی بیوتیک ها؛ افزایش هیجان در مورد هوش مصنوعی (AI) برای کشف/توسعه دارو؛ رشد بحث برانگیز اما سریع در زمینه حشیش پزشکی؛ و تمرکز مداوم دارو بر درگیر شدن در مدل های برون سپاری تحقیق و توسعه برای دسترسی به نوآوری ها و تخصص.
در زیر ادامه این بررسی با چندین حوزه تحقیقاتی فعال دیگر به لیست اضافه شده است، و برخی تفسیرهای گسترده در مورد روندهای ذکر شده در بالا - در صورت لزوم.
1. پذیرش هوش مصنوعی (AI) توسط داروسازی و بیوتکنولوژی
با وجود همه هیاهویی که امروزه در مورد هوش مصنوعی وجود دارد، به سختی می توان کسی را با این روند در تحقیقات دارویی شگفت زده کرد. با این حال، باید توجه داشت که شرکت‌های مبتنی بر هوش مصنوعی، با مشارکت‌های تحقیقاتی و برنامه‌های مشترک، واقعاً با داروسازی بزرگ و سایر بازیگران پیشرو در علوم زیستی جذب می‌شوند.اینجالیستی از معاملات کلیدی تا کنون است، واینجامروری کوتاه بر برخی از فعالیت های قابل توجه در فضای "هوش مصنوعی برای کشف دارو" در چند ماه گذشته است.
اکنون پتانسیل ابزارهای مبتنی بر هوش مصنوعی در تمام مراحل کشف و توسعه دارو مورد بررسی قرار گرفته است - از داده کاوی تحقیقاتی و کمک به شناسایی و اعتبار سنجی هدف گرفته تا کمک به یافتن ترکیبات سرب جدید و نامزدهای دارویی و پیش بینی خواص و خطرات آنها. و در نهایت، نرم افزار مبتنی بر هوش مصنوعی اکنون می تواند به برنامه ریزی سنتز شیمیایی برای به دست آوردن ترکیبات مورد علاقه کمک کند. هوش مصنوعی همچنین برای برنامه ریزی آزمایشات پیش بالینی و بالینی و تجزیه و تحلیل داده های زیست پزشکی و بالینی استفاده می شود.
فراتر از کشف دارو مبتنی بر هدف، هوش مصنوعی در سایر زمینه‌های تحقیقاتی، به عنوان مثال، در برنامه‌های کشف داروی فنوتیپی - تجزیه و تحلیل داده‌ها از روش‌های غربالگری محتوای بالا استفاده می‌شود.
با تمرکز عمده استارت‌آپ‌های مبتنی بر هوش مصنوعی بر کشف داروی مولکول‌های کوچک، علاقه‌مندی به استفاده از چنین فناوری‌هایی برای کشف و توسعه بیولوژیک نیز وجود دارد.
2. گسترش فضای شیمیایی برای اکتشافات کشف دارو
بخش مهمی از هر برنامه کشف داروی مولکولی کوچک، اکتشاف ضربه ای است - شناسایی مولکول های نقطه شروعی که سفری به سمت داروهای موفق را آغاز می کنند (البته به ندرت از این سفر جان سالم به در می برند) - از طریق مراحل متعدد بهینه سازی، اعتبار سنجی و آزمایش.
عنصر کلیدی اکتشاف ضربه‌ای، دسترسی به فضای وسیع و متنوع از نظر شیمیایی از مولکول‌های دارویی برای انتخاب نامزدها، به ویژه برای کاوش در بیولوژی هدف جدید است. با توجه به اینکه مجموعه‌های ترکیبی موجود در دست داروسازی تا حدی بر اساس طرح‌های مولکولی کوچکی ساخته شده‌اند که اهداف بیولوژیکی شناخته شده را هدف قرار می‌دهند، اهداف بیولوژیکی جدید به جای بازیافت بیش از حد همان شیمی، به طرح‌های جدید و ایده‌های جدید نیاز دارند.
به دنبال این نیاز، آزمایشگاه‌های دانشگاهی و شرکت‌های خصوصی پایگاه‌های داده‌ای از ترکیبات شیمیایی بسیار فراتر از آنچه در مجموعه‌های ترکیبی شرکت‌های دارویی معمولی موجود است ایجاد می‌کنند. به عنوان مثال می توان به پایگاه داده GDB-17 مولکول های مجازی حاوی 166.4 میلیارد مولکول وFDB-17از 10 میلیون مولکول قطعه مانند با حداکثر 17 اتم سنگین.زینک– یک پایگاه داده رایگان از ترکیبات تجاری در دسترس برای غربالگری مجازی، حاوی 750 میلیون مولکول، از جمله 230 میلیون مولکول در قالب های سه بعدی آماده برای اتصال. و توسعه اخیر فضای شیمیایی REadily AvailLe (REAL) در دسترس مصنوعی توسط Enamine - 650 میلیون مولکول قابل جستجو از طریقناوبر فضایی واقعینرم افزار و337 میلیون مولکول قابل جستجو(بر اساس شباهت) در EnamineStore.
یک رویکرد جایگزین برای دسترسی به فضای جدید شیمیایی مشابه دارو برای اکتشاف ضربه ای، استفاده از فناوری کتابخانه رمزگذاری شده با DNA (DELT) است. با توجه به ماهیت «تقسیم و جمع‌آوری» سنتز DELT، ساخت تعداد زیادی از ترکیبات به روشی مقرون‌به‌صرفه (میلیون‌ها تا میلیاردها ترکیب) ممکن می‌شود.اینجاگزارشی روشنگر درباره پیشینه تاریخی، مفاهیم، موفقیت ها، محدودیت ها و آینده فناوری کتابخانه رمزگذاری شده با DNA است.
3. هدف قرار دادن RNA با مولکول های کوچک
این یک روند داغ در فضای کشف دارو با هیجانی است که به طور مداوم در حال رشد است: دانشگاهیان، استارتاپ‌های بیوتکنولوژی و شرکت‌های دارویی به طور فزاینده‌ای در مورد هدف‌یابی RNA فعال هستند، اگرچه عدم قطعیت نیز بالاست.
در موجود زنده،DNAاطلاعات را برایپروتئینسنتز وRNAدستورالعمل های کدگذاری شده در DNA را که منجر به سنتز پروتئین در ریبوزوم ها می شود، انجام می دهد. در حالی که اکثر داروها برای هدف قرار دادن پروتئین های مسئول یک بیماری هستند، گاهی اوقات برای سرکوب فرآیندهای بیماری زا کافی نیست. به نظر می رسد یک استراتژی هوشمندانه برای شروع زودتر در فرآیند و تحت تأثیر قرار دادن RNA قبل از سنتز پروتئین ها، بنابراین به طور قابل توجهی بر روند ترجمه ژنوتیپ به فنوتیپ ناخواسته (تظاهرات بیماری) تأثیر می گذارد.
مشکل این است که RNA ها اهداف وحشتناکی برای مولکول های کوچک هستند – آنها خطی هستند، اما می توانند به طرز ناشیانه ای بپیچند، تا شوند یا به خودشان بچسبند و شکل خود را به خوبی به جیب های اتصال مناسب برای داروها منتقل کنند. علاوه بر این، برخلاف پروتئین‌ها، آنها فقط از چهار بلوک ساختمانی نوکلئوتیدی تشکیل شده‌اند که همه آنها را برای هدف‌گیری انتخابی توسط مولکول‌های کوچک بسیار شبیه و دشوار می‌کند.
با این حال،تعدادی از پیشرفت های اخیرنشان می دهد که در واقع امکان توسعه مولکول های کوچک شبیه دارو و بیولوژیکی فعال وجود دارد که RNA را هدف قرار می دهند. بینش‌های علمی جدید باعث ایجاد هجوم طلایی برای RNA شد -حداقل دوازده شرکتبرنامه های اختصاص داده شده به آن، از جمله داروسازی بزرگ (Biogen، Merck، Novartis، و Pfizer) و استارتاپ های بیوتکنولوژی مانند Arrakis Therapeutics بادور سری A 38 میلیون دلاردر سال 2017، و گسترش درمانی -55 میلیون دلار سری A در اوایل سال 2018.
4. کشف آنتی بیوتیک های جدید
نگرانی فزاینده ای در مورد افزایش باکتری های مقاوم به آنتی بیوتیک - ابر میکروب ها وجود دارد. آنها مسئول حدود 700000 مرگ و میر در سراسر جهان در هر سال هستند، و طبق یک بررسی دولت بریتانیا، این تعداد می تواند به طور چشمگیری افزایش یابد - تا سال 2050 به 10 میلیون نفر. با گذشت زمان بی فایده است
تجویز غیرمسئولانه آنتی بیوتیک برای درمان موارد ساده در بیماران و استفاده گسترده از آنتی بیوتیک ها در دامداری با تسریع سرعت جهش های باکتریایی وضعیت را به خطر می اندازد و آنها را با سرعت هشدار دهنده ای در برابر داروها مقاوم می کند.
از سوی دیگر، کشف آنتی‌بیوتیک‌ها در مقایسه با توسعه داروهای «اقتصادی‌تر»، منطقه‌ای غیرجذاب برای تحقیقات دارویی بوده است. احتمالاً این دلیل اصلی خشک شدن خط لوله کلاس های جدید آنتی بیوتیک است که آخرین مورد بیش از سی سال پیش معرفی شد.
امروزه کشف آنتی‌بیوتیک‌ها به دلیل برخی تغییرات سودمند در قانون‌گذاری نظارتی، به حوزه جذاب‌تری تبدیل می‌شود، که داروخانه‌ها را تشویق می‌کند تا پول را در برنامه‌های کشف آنتی‌بیوتیک‌ها سرمایه‌گذاری کنند، و سرمایه‌گذاران مخاطره‌آمیز - در استارت‌آپ‌های بیوتکنولوژی که داروهای ضدباکتری امیدوارکننده را توسعه می‌دهند. در سال 2016، یکی از ما (AB)وضعیت کشف داروی آنتی بیوتیک را بررسی کردو برخی از استارتاپ‌های امیدوارکننده در این فضا، از جمله Macrolide Pharmaceuticals، Iterum Therapeutics، Spero Therapeutics، Cidara Therapeutics، و Entasis Therapeutics را خلاصه کرد.
نکته قابل توجه، یکی از جالب‌ترین پیشرفت‌های اخیر در فضای آنتی‌بیوتیک‌ها، این استکشف Teixobactinو مشابه آن در سال 2015 توسط گروهی از دانشمندان به سرپرستی دکتر کیم لوئیس، مدیر مرکز کشف ضد میکروبی در دانشگاه نورث ایسترن. اعتقاد بر این است که این دسته از آنتی بیوتیک های جدید قدرتمند می تواند در برابر ایجاد مقاومت باکتریایی در برابر آن مقاومت کند. سال گذشته، محققان دانشگاه لینکلن با موفقیت یک نسخه سنتز شده از teixobactin را توسعه دادند و گام مهمی به جلو برداشتند.
اکنون محققان موسسه تحقیقات چشم سنگاپور نشان داده اند که نسخه مصنوعی این دارو می تواند کراتیت استافیلوکوکوس اورئوس را در مدل های زنده موش با موفقیت درمان کند. قبل از فعالیت teixobactin تنها در شرایط آزمایشگاهی نشان داده شد. با این یافته های جدید، تیکسوباکتین به 6 تا 10 سال دیگر توسعه نیاز دارد تا به دارویی تبدیل شود که پزشکان می توانند از آن استفاده کنند.
از زمان کشف تیکسوباکتین در سال 2015، خانواده جدیدی از آنتی بیوتیک ها به نام مالاسیدین هادر اوایل سال 2018 فاش شد. این کشف هنوز در مراحل اولیه خود است و به اندازه آخرین تحقیقات در مورد تیکسوباکتین توسعه نیافته است
5. غربالگری فنوتیپی
اعتبار تصویر:SciLifeLab
در سال 2011 نویسندگان دیوید سوینی و جیسون آنتونینتایج یافته های خود را منتشر کردنددر مورد چگونگی کشف داروهای جدید بین سال‌های 1999 و 2008 و آشکارسازی این واقعیت که تعداد قابل توجهی از داروهای کلاس اول با مولکول‌های کوچک با استفاده از غربالگری فنوتیپی نسبت به رویکردهای مبتنی بر هدف (به ترتیب 28 دارو در مقابل 17 داروی تایید شده) کشف شده‌اند. با در نظر گرفتن این که رویکرد مبتنی بر هدف بود که تمرکز اصلی در طول دوره ذکر شده بود، حتی قابل توجه تر است.
این تجزیه و تحلیل تأثیرگذار موجب تجدید حیات پارادایم کشف داروی فنوتیپی از سال 2011 شد - هم در صنعت داروسازی و هم در دانشگاه. اخیراً دانشمندان در Novartisبررسی انجام داداز وضعیت فعلی این روند و به این نتیجه رسیدیم که در حالی که سازمان های تحقیقاتی داروسازی با چالش های قابل توجهی با رویکرد فنوتیپی مواجه شده اند، تعداد صفحه های مبتنی بر هدف کاهش یافته و رویکردهای فنوتیپی در 5 سال گذشته افزایش یافته است. به احتمال زیاد، این روند بسیار فراتر از سال 2018 ادامه خواهد داشت.
نکته مهم، فراتر از مقایسه روش‌های مبتنی بر فنوتیپی و هدف، گرایش واضحی به سمت سنجش‌های سلولی پیچیده‌تر، مانند رفتن از رده‌های سلولی جاودانه به سلول‌های اولیه، سلول‌های بیمار، کشت‌های مشترک و کشت‌های سه بعدی وجود دارد. تنظیمات آزمایشی نیز به طور فزاینده‌ای پیچیده می‌شود و فراتر از بازخوانی‌های تک متغیره به مشاهده تغییرات در بخش‌های درون سلولی، آنالیز تک سلولی و حتی تصویربرداری سلولی می‌رود.
6. اندام ها (بدن)-روی-یک-تراشه
ریزتراشه‌های پوشیده شده توسط سلول‌های زنده انسان می‌توانند توسعه دارو، مدل‌سازی بیماری و پزشکی شخصی‌سازی شده را متحول کنند. این ریزتراشه‌ها که «ارگان روی تراشه» نامیده می‌شوند، جایگزین بالقوه‌ای برای آزمایش‌های سنتی حیوانی هستند. در نهایت، اتصال سیستم ها به طور کلی راهی برای داشتن کل سیستم "بدن روی یک تراشه" ایده آل برای کشف دارو و آزمایش و اعتبارسنجی نامزد دارو است.
این روند اکنون در فضای کشف و توسعه دارو بسیار مهم است و ما قبلاً وضعیت فعلی و زمینه پارادایم "ارگان روی یک تراشه" را در اخیراً پوشش داده ایم.مینی بررسی.
در حالی که حدود 6-7 سال پیش، زمانی که دیدگاه‌هایی در این زمینه توسط پذیرندگان مشتاق بیان شد، تردیدهای زیادی وجود داشت. اما امروز به نظر می رسد که منتقدان در عقب نشینی کامل هستند. نه تنها سازمان های نظارتی و مالی دارندمفهوم را پذیرفت، اما در حال حاضر به طور فزاینده ای استبه تصویب رسیدبه عنوان یک پلت فرم تحقیقات دارویی توسط داروسازی و دانشگاه. بیش از دوجین سیستم اندام در سیستم های روی تراشه نشان داده شده است. در مورد آن بیشتر بخوانیداینجا.
7. چاپ زیستی
حوزه چاپ زیستی بافت ها و اندام های انسانی به سرعت در حال توسعه است و بدون شک آینده پزشکی است. در اوایل سال 2016 تاسیس شد،Cellinkیکی از اولین شرکت‌هایی در جهان است که بیوئینک قابل چاپ سه بعدی را ارائه کرد - مایعی که زندگی و رشد سلول‌های انسانی را امکان‌پذیر می‌کند. اکنون این شرکت بخش هایی از بدن - بینی و گوش - را عمدتاً برای آزمایش داروها و لوازم آرایشی چاپ می کند. همچنین مکعب‌هایی را چاپ می‌کند که محققان را قادر می‌سازد با سلول‌های اندام‌های انسانی مانند کبد «بازی» کنند.
Cellink اخیراً با CTI Biotech، یک شرکت فرانسوی پزشکی متخصص در تولید بافت‌های سرطانی، به منظور پیشرفت چشمگیر در زمینه تحقیقات سرطان و کشف دارو، شریک شد.
این استارتاپ جوان بیوتکنولوژی اساساً به CTI کمک می کند تا نسخه های سه بعدی تومورهای سرطانی را با مخلوط کردن بیوئینک Cellink با نمونه ای از سلول های سرطانی بیمار چاپ کند. این به محققان در شناسایی درمان های جدید علیه انواع خاص سرطان کمک می کند.
یکی دیگر از استارت‌آپ‌های بیوتکنولوژیکی که فناوری چاپ سه‌بعدی را برای چاپ مواد بیولوژیکی توسعه می‌دهد - یک شرکت تحقیقاتی دانشگاه آکسفورد، OxSyBio، کهفقط 10 میلیون پوند تضمین کرددر تامین مالی سری A
در حالی که پرینت زیستی سه بعدی یک فناوری بسیار مفید است، اما ایستا و بی جان است زیرا فقط وضعیت اولیه شی چاپ شده را در نظر می گیرد. یک رویکرد پیشرفته تر، گنجاندن "زمان" به عنوان بعد چهارم در اشیاء زیستی چاپی (به اصطلاح "چاپ زیستی 4 بعدی") است، که آنها را قادر می سازد تا شکل ها یا عملکردهای خود را با زمان تحمیل یک محرک خارجی تغییر دهند.اینجایک بررسی روشنگر در مورد چاپ زیستی 4 بعدی است.
چشم انداز بسته
حتی بدون بررسی عمیق هر یک از روندهای برتر که قبلاً توضیح داده شد، باید آشکار شود که هوش مصنوعی بخش روزافزونی از اقدامات را انجام خواهد داد. همه این حوزه‌های جدید نوآوری بیوفارما به داده‌های بزرگ تبدیل شده‌اند. این شرایط به خودی خود نقش برجسته‌ای را برای هوش مصنوعی پیش‌بینی می‌کند، همچنین به عنوان پس‌نوشته‌ای برای این پوشش موضوع، اشاره می‌کند که هوش مصنوعی شامل ابزارهای متعدد، تحلیلی و عددی است که به طور مداوم در حال تکامل هستند. کاربردهای هوش مصنوعی در کشف دارو و توسعه مراحل اولیه عمدتاً با هدف کشف الگوهای پنهان و استنباط‌هایی است که علل و اثرات را به یکدیگر متصل می‌کنند و در غیر این صورت قابل شناسایی یا درک نیستند.
بنابراین، زیرمجموعه ابزارهای هوش مصنوعی که در تحقیقات دارویی به کار می‌روند، به طور مناسب‌تری تحت عنوان «هوش ماشینی» یا «یادگیری ماشینی» قرار می‌گیرند. اینها می‌توانند هم با راهنمایی انسان، مانند طبقه‌بندی‌کننده‌ها و روش‌های یادگیری آماری، هم تحت نظارت باشند و هم در عملکرد درونی‌شان مانند اجرای انواع مختلف شبکه‌های عصبی مصنوعی، بدون نظارت. زبان و پردازش معنایی و روش‌های احتمالی برای استدلال نامطمئن (یا فازی) نیز نقش مفیدی دارند.
درک اینکه چگونه این عملکردهای مختلف می توانند در رشته گسترده "AI" ادغام شوند، یک کار دلهره آور است که همه طرف های علاقه مند باید انجام دهند. یکی از بهترین مکان‌ها برای جستجوی توضیحات و توضیحات این استمرکز علوم دادهپورتال و به خصوص پست های وبلاگ وینسنت گرانویل، که به طور منظمتفاوت ها را روشن می کندبین هوش مصنوعی، تمایل به ماشین، یادگیری عمیق و آمار. آگاه شدن در مورد زیر و بم هوش مصنوعی به عنوان یک کل جزء ضروری برای همگام ماندن یا پیشی گرفتن از هر گرایش بیوفارما است.
زمان ارسال: مه-29-2018