Подписывайтесь на «АН»:

Telegram

Дзен

Новости

Также мы в соцсетях:

ВКонтакте

Одноклассники

Twitter

Аргументы Недели → Наука 13+

Рустам Гильфанов: спустя 30 лет, какими будут клинические исследования будущего?

Попытка заглянуть в будущее и определить, как быстро мы сможем разрабатывать лекарства.

, 13:35

Рустам Гильфанов: спустя 30 лет, какими будут клинические исследования будущего?

Сегодня прежде чем новое лекарство попадет в аптеку, на его доклинические и клинические исследования уйдет 8–14 лет, а потратят на проверку соединения не меньше 1,3–2 млрд долларов. 80% затрат — это доклинические тесты и сами КИ. Более того, по статистике, из пяти соединений, которые доберутся до первой фазы КИ, лишь одно будет одобрено.

За счет чего можно ускорить процесс и сэкономить деньги? Прогнозируем, как будут выглядеть КИ спустя 30 лет.

 Кризис опытных моделей

Разработка новых лекарств остается длительным и дорогостоящим процессом с низкой вероятностью успеха. По оценкам ученых, в среднем инвестиции в такие исследования составляют 1,3 млрд долларов на препарат [1], а примерное время разработки варьируется от 5,9 до 7,2 лет для неонкологических и 13,1 лет для онкологических лекарств.

Из 5 тыс. соединений, которые попадают в доклинические исследования, лишь пять добираются до первой фазы КИ [2]. А доля одобренных в итоге лекарств составляет 13,8% от тех, что принимали участие в клинических исследованиях [3]. Главные причины провала КИ — низкая эффективность и токсичность [4].

Зачастую это происходит из-за плохо подобранных моделей — те вещества, что работают на животных, оказываются совершенно неэффективными в случае с людьми. Поэтому сегодня один из трендов в дизайне лекарств — тщательный анализ того, насколько адекватна человеческому организму модель, используемая в доКИ — будь то крыса или макака.

Несмотря на то, что чаще всего лекарства оказываются просто неэффективными, но не опасными, иногда из-за нерелевантных моделей происходят катастрофы. Так вышло, например, с компанией TeGenero, которая разрабатывала препарат против аутоиммунных заболеваний. Гуманизированное моноклональное антитело TGN1412 (терализумаб) показало отличные результаты в доклинических тестах на макаках [5], однако во время первой фазы КИ у добровольцев спустя час после приема развился сильнейший цитокиновый шторм, и дело дошло до комы.

Причина была банальной: безопасная доза вещества у людей и макак оказалась разной. Этот инцидент лишь доказывает, что животное — это очень приблизительный прототип человека.

Если же говорить об эффективности новых препаратов — медленнее всего на рынок выходят лекарства в области заболеваний центральной нервной системы и онкологии — по статистике, именно на них приходится половина всех проваленных КИ. Причина — в сложной природе болезней и огромном количестве факторов, которые влияют на их развитие. Из-за этого испытывать лекарства на животных практически бессмысленно.

3D-модели и органы на чипах

Один из способов преодолеть пропасть между человеком и животным — использовать трехмерные или 3D-клеточные модели человеческих органов. Они хорошо воспроизводят условия жизни клеток в организме, так как у них есть микроокружение из клеток-соседей и межклеточного матрикса.

Например, при испытаниях лекарства от рака 3D-модель помогает точнее дозировать вещество — клетки снаружи получают больше лекарства, чем те, что внутри культуры, точно так же, как это бывает внутри живого организма, особенно в случае с твердыми опухолями.

В то же время 3D-клеточные модели дороги и сложны в разработке и эксплуатации — и поэтому не так популярны среди ученых, как 2D-версии, хоть те и сильно уступают им по функционалу. Возможно, спустя 30 лет их будут использовать повсеместно.

Существует еще более продвинутая модель — «органы на чипе». Это устройство для выращивания клеточных культур, которое воспроизводит механические и физиологические условия в органах и даже системах органов. Модель органа на чипе — это комбинация 3D-модели органа с микрофлюидной платформой. Уже созданы модели микрососудов [6], легкого, почки [7], кишечника [8] и печени, а также их комбинаций, на чипах.

Как создается такая модель? Подготовка 3D-культуры для моделирования, к примеру, тканей бронхов и более мелких дыхательных путей требует использования первичных бронхиальных клеток человека. Их растят в культуральных флаконах, а затем высевают на платформы с пористыми мембранами. Они позволяют расположить клетки на границе раздела воздушной и жидкой сред, чтобы запустить дифференцировку исходных базальных клеток бронхиального эпителия.

На самом деле, идея органов на чипах возникла около 10 лет назад, однако до сих пор не получила широкого распространения из-за сложности разработки и жесткой зарегулированности рынка фармацевтики.

В то же время уже сейчас есть компании, которые помогают биг фарме сократить расходы и снизить риски провала препарата, именно благодаря органам на чипах. К примеру, стартап Emulate, занимающийся органами на чипах, в партнерстве с фармкомпаниями создает чипы для исследований заболеваний центральной нервной системы, для изучения иммунных ответов. Создал он также модель печени на чипе для изучения влияния микробиома и проведения токсикологических исследований при разработке лекарств.

Сейчас на чипах уже удается получать те же данные, которые ранее получали после испытаний на животных или на людях. В перспективе такая технология поможет полностью отказаться от доКИ с участием животных и привести к революции в этой сфере. А если рассмотреть самый оптимистичный сценарий, то спустя 30 лет ученые триумфально представят нам модель «человек на чипе», которая позволит перейти к персонализированным доклиническим исследованиям.

Омиксные данные для драг-дизайна

Решить часть проблем с доКИ способны и омиксные данные — большие массивы данных, собранные на разных уровнях биологических процессов. Они представляют собой совокупность всех молекул определенного уровня, которые отражают состояние организма или его части. Их анализом занимается биоинформатика — дисциплина на стыке биологии, статистики и компьютерной науки.

Сейчас омиксные данные применяют, в основном, на ранних фазах в доклинических тестах. Первое направление — оценка характеристик терапевтических молекул-кандидатов с помощью данных, которые ученые получают из клеток. Второе — поисковые доКИ, когда речь идет о получении «слепка» состояния заболевшего организма и попытках воздействия на него лекарствами.

Классический пример применения омиксных данных одного уровня — сравнение транскриптома тканей больных и здоровых людей. Ученые сопоставляют экспрессию генов тех и других и делают заключения о молекулярных путях, регуляция которых нарушается во время болезни. Затем выбираются молекулы-мишени и подбираются молекулы-кандидаты, которые могут на них влиять.

Чаще стали исследователи прибегать и к анализу мультиомиксных данных — то есть информации и о последовательностях ДНК, РНК, и о пептидах, белках, метаболитах. Это необходимо для того, чтобы получить наиболее полную картину заболевания, так как патологический процесс влияет на разные уровни клеток.

В идеале спустя 30 лет ученые будут повсеместно собирать обширные данные на самых ранних фазах доКИ — чтобы анализировать механизмы развития заболевания, выявлять потенциальные мишени, проверять их, подбирать молекулы-кандидаты, подтверждать их эффективность и вычислять токсичным. Это сделает драг-дизайн куда более быстрым и персонализированным процессом.

В исследовании AI for Drug Discovery от 2020 г. упоминается, что использование ИИ потенциально сокращает этап подбора кандидата в десятки раз. Общий объем венчурного финансирования стартапов в области ИИ-биотехнологий в том году приблизился к $1,9 млрд [9].

К слову, тогда весь процесс, исключая тесты на животных или клеточных моделях, можно будет контролировать, не отходя от компьютера. Тем более что для некоторых заболеваний уже есть опубликованные данные экспрессии. Их необходимо лишь сравнить с профилем экспрессии здоровой ткани и получить данные о характеристиках лекарств. Это тоже не проблема — уже существуют такие базы данных, как ChEMB или L1000 Viewer — в последней можно найти, на экспрессию каких генов влияют те или иные лекарства. Следуя этому алгоритму, уже удалось предсказать эффективность шести кандидатов для лечения рака желудка [10].

Успех этого подхода, кстати, продемонстрировала международная компания Insilico Medicine, объявив [11] о доКИ молекулы-кандидата для лечения фиброза почек, которая показала нужные фармакологические свойства in vitro и in vivo. Весь процесс уложился в 18 месяцев, хотя обычно он занимает годы. Ранее же с помощью омиксных данных компания нашла новую мишень для идиопатического фиброза легких.

Так или иначе, омиксные данные способны серьезно приблизить нас к внедрению персонализированной медицины. Возможно, спустя 30 лет у пациента будут собирать омиксные данные, а после анализа — говорить, какое лекарство подойдет лучше всего именно ему. Затем врачи с их помощью будут мониторить реакцию человека на терапию и, при необходимости, менять дозировку или лекарств.

Компьютерное зрение и машинное обучение

Второе место по числу проваленных доклинических испытаний достается заболеваниям центральной нервной системы. Начиная с 2011 года R&D-отделы крупнейших компаний регулярно сворачивают исследования, например, если речь идет о болезни Альцгеймера.

Дело в том, что на развитие заболеваний ЦНС влияет как наследственность, так и окружающая среда. Нарушения же различаются и по степени проявления, и по симптоматике. В то же время доклинические испытания вовсе не стремятся воспроизвести весь букет факторов.

К примеру, возраст в случае с инсультом — это главный фактор риска. Однако во многих исследованиях in vitro клетки получают из эмбриональных или молодых тканей. А в работах in vivo  в качестве моделей берут «здоровых самцов мышей». Далее: проверяя эффективность препаратов от инсульта на такой сомнительной выборке, исследователи не берут в расчет ни сопутствующие заболевания, ни вредные привычки. Добавляем к этому разницу между мышью и человеком — и получаем оторванную от реальности модель.

Кроме того, у человека, в отличие от животных, очень богатый поведенческий репертуар, зафиксированный в «Диагностическом и статистическом руководстве по психическим расстройствам». В доКИ его низводят до элементарных реакций животных. Как часто мышь замерла во время пробежки? Как долго провела у стены клетки? Как быстро бегает кругами? Все это нередко определяют «на глаз».

Чтобы хотя бы отчасти сделать такие исследования правдоподобными, можно использовать технологии искусственного интеллекта. К примеру, в некоторых доклинических исследованиях уэе проводится поведенческое фенотипирование.

В основе метода — автоматизированный анализ видеозаписей передвигающихся животных. Программы выявляют паттерны в их поведении, основываясь на типичных движениях, позах, жестах.

Один из таких алгоритмов называется MoSeq (Motion Sequencing), его опробовали на тестировании нейро- и психоактивных препаратов [12]. На сотнях 20-минутных видео алгоритм научили определять фармакологический класс и дозу препарата, которое вводили животному. Распознанные поведенческие реакции помогли ученым обнаружить неизвестные ранее различия и сходства в их действии и побочные эффекты.

Вероятно, спустя 30 лет число программ, основанных на компьютерном зрении и машинном обучении, возрастет, а с ними — и эффективность доКИ.

В то же время методы ИИ и машинного обучения потенциально могут повысить вероятность успеха в разработке лекарств и в том случае, если применять их при отборе добровольцев, участвующих в КИ. Пригодятся они и при «умном» мониторинге качества клинических данных и производительности на месте проведения испытаний [13].

Закон замедляющий

Важный фактор, влияющий на скорость развития технологий и особенно на их внедрение, — это фактор юридический. Современные подходы к клиническим испытаниям подробно запротоколированы не только для того чтобы соблюсти процедуру с сугубо научной точки зрения, но и для того чтобы предотвратить выход на рынок потенциального опасного препарата.

Иначе говоря, законодательство даже самых прогрессивных стран сегодня не дает возможности создать препарат, используя только компьютерное моделирование. Тесты на животных, тесты на группах добровольцев — обязательная часть любых КИ, и ИИ здесь может быть только вспомогательным инструментом. Пока что.

Однако очевидно, что в ближайшем будущем — по мере накопления успешных кейсов — ситуация с законодательством также будет меняться, и к середине XXI в. мы наверняка увидим не один и два случая вывода на рынок лекарств, при разработке которых именно тесты in silico были ключевыми. Это и дешевле, и быстрее уже в наши дни, а спустя некоторое время это станет еще и эффективнее.

 

***

Подведем итог: в ответ на существующие вызовы ученые изобретают все больше новых способов для подтверждения безопасности и эффективности новых веществ. In silico — с помощью компьютерных моделей и in vitro — на 3D-клеточных культурах и «органах на чипах». Возможно, мы еще застанем то время, когда для открытия инновационного препарата не нужно будет причинять страдания ни одному живому существу, а на выведение его на рынок понадобятся месяцы, а не годы.

 Рустам Гильфанов – венчурный партнер фонда LongeVC.

Источники:

  1. DiMasi JA, Grabowski HG, Hansen RW. Innovation in the pharmaceutical industry: new estimates of R&D costs. J Health Econ. 2016;47:20–33. https://doi.org/10.1016/j.jhealeco.2016.01.012.
  2. Stefan Harrer, Pratik Shah, Bhavna Antony, Jianying Hu. (2019). Artificial Intelligence for Clinical Trial Design. Trends in Pharmacological Sciences. 40, 577-591;
  3. Wong CH, Siah KW, Lo AW. Estimation of clinical trial success rates and related parameters. Biostatistics. 2019;20(2):273–86. https://doi.org/10.1093/biostatistics/kxx069.
  4. Richard K. Harrison. (2016). Phase II and phase III failures: 2013–2015. Nat Rev Drug Discov. 15, 817-818;
  5. H. Attarwala. (2010). TGN1412: From Discovery to Disaster. Journal of Young Pharmacists. 2, 332-336;
  6. Carine Poussin. (2019). 3D human microvessel-on-a-chip model for studying monocyte-to-endothelium adhesion under flow — application in systems toxicology. ALTEX;
  7. Filippo Zanetti. (2020). Kidney-on-a-chip. Organ-on-a-chip. 233-253;
  8. Linda Gijzen, Diego Marescotti, Elisa Raineri, Arnaud Nicolas, Henriette L. Lanz, et. al.. (2020). An Intestine-on-a-Chip Model of Plug-and-Play Modularity to Study Inflammatory Processes. SLAS TECHNOLOGY: Translating Life Sciences Innovation. 247263032092499;
  9. https://analytics.deep-pharma.tech/reports/AI-for-Drug-Discovery-2020.pdf
  10. In-Wha Kim, Hayoung Jang, Jae Hyun Kim, Myeong Gyu Kim, Sangsoo Kim, Jung Mi Oh. (2019). Computational Drug Repositioning for Gastric Cancer using Reversal Gene Expression Profiles. Sci Rep. 9;
  11. https://www.prnewswire.com/news-releases/insilico-medicine-announces-the-preclinical-candidate-for-kidney-fibrosis-discovered-using-end-to-end-artificial-intelligence-engine-301348041.html
  12. Alexander B. Wiltschko, Tatsuya Tsukahara, Ayman Zeine, Rockwell Anyoha, Winthrop F. Gillis, et. al.. (2020). Revealing the structure of pharmacobehavioral space through motion sequencing. Nat Neurosci. 23, 1433-1443;
  13. Kolluri S, Lin J, Liu R, Zhang Y, Zhang W.Machine Learning and Artificial Intelligence in Pharmaceutical Research and Development: a Review. AAPS J. 2022 Jan 4;24(1):19. doi: 10.1208/s12248-021-00644-3. PMID: 34984579; PMCID: PMC8726514.

Подписывайтесь на Аргументы недели: Новости | Дзен | Telegram

Реклама

20 идей

Политика