Das von Insilico Medicine mit KI entwickelte Medikament gegen IPF tritt in die Phase III der klinischen Studien ein.

Insilico-Medizin schreitet voran zu Phase-III-Studien am Menschen zum Testen eines durch künstliche Intelligenz identifizierten Wirkstoffs idiopathische Lungenfibrose (IPF)Diese Entwicklung liefert dem Bereich der computergestützten Wirkstoffforschung empirische Testfälle und führt ein KI-gestütztes Medikament über frühe Sicherheitsbewertungen hinaus zur Validierung der Wirksamkeit in späten Phasen.

IPF zerstört die Lungenfunktion durch schwere Vernarbung des Lungengewebes. Patienten weisen typischerweise folgende Symptome auf: mittlere Überlebenszeit von zwei bis vier Jahren nach der DiagnoseDas von der KI identifizierte Medikament, Rentosertib, hemmt bei oraler Verabreichung die TRAF2- und NCK-interagierende Kinase, um zugrunde liegende Krankheitsmechanismen zu behandeln.

📊 Ergebnisse der klinischen Phase-IIa-Studie

Eine randomisierte Studie bewertete 71 Patienten an 22 chinesischen KlinikstandortenDie Teilnehmer wurden in eine Placebo- und eine aktive Behandlungsgruppe aufgeteilt. Die Prüfärzte verabreichten über einen Beobachtungszeitraum von 12 Wochen täglich 30 mg oder 60 mg.

Patienten, die der 60 mg einmal täglich zeigte einen mittleren Zuwachs der forcierten Vitalkapazität von +98,4 ml, im scharfen Kontrast zu 20,3 ml Kapazitätsverlust wurde in der Placebogruppe aufgezeichnet.

Die Sicherheitsprofile blieben beherrschbar, wobei die unerwünschten Ereignisse in allen Studienarmen den erwarteten Basisraten entsprachen. Die Zulassungsbehörden der US-amerikanische Lebensmittel- und Arzneimittelbehörde (FDA) gewährt „Orphan-Arzneimittel-Status“ zum Vermögenswert im Februar 2023.

🧬 Algorithmische Zielpriorisierung durch Multi-Omics

Die Entwicklung ist vollständig abhängig von Pharma.AI, die firmeneigene Rechenpipeline von Insilico Medicine. Der Workflow ist in verschiedene Module unterteilt, die spezifische Aufgaben im Bereich der biologischen und chemischen Verfahrenstechnik bearbeiten.

PandaOmics Das System führt die erste Phase der Zielidentifizierung durch. Es verarbeitet umfangreiche biologische Datensätze, darunter Genomdaten, Ergebnisse klinischer Studien, wissenschaftliche Literatur und Patentinformationen, um umfassende biologische Netzwerkmodelle zu erstellen. Die Algorithmen nutzen Mechanismen zur Kausalanalyse, um neuartige, in der Datenarchitektur verborgene Krankheitszusammenhänge zu identifizieren.

PandaOmics isoliert TNIK als primäres biologisches Ziel bei der IPF-Intervention. Das Computersystem umging die Rezeptor-Tyrosinkinase-Signalwege, die von bestehenden antifibrotischen Medikamenten angegriffen werden.

Die Software bildete TNIK als zentralen Knotenpunkt ab, der die Regulierung übernimmt. Fibrose und Entzündung über Wnt-, TGF-β-, Hippo/YAP-TAZ-, JNK- und NF-κB-SignalwegeDer Zielauswahlprozess integrierte einen Rahmen für Kennzeichen des Alterns, wobei biologische Ziele anhand ihrer Beteiligung an verschiedenen Alterungsmechanismen, chronischen Entzündungen und der Umgestaltung der extrazellulären Matrix bewertet wurden.

Feng Ren, PhD, Co-CEO und Chief Scientific Officer von Insilico Medicine, sagte: „Die idiopathische Lungenfibrose (IPF) ist eines der deutlichsten klinischen Beispiele für eine altersbedingte Erkrankung, bei der Fibrose, chronische Entzündung, Umbau der extrazellulären Matrix und zelluläre Seneszenz zusammenwirken.“

„Rentosertib wurde nicht entdeckt, indem man von einem herkömmlichen Ziel ausging und einfach weitere Verbindungen screenete. Es entstand aus einem …“ Biologiebasierter, alterserfahrener KI-Workflow Diese Studie verknüpfte TNIK mit fibrotischen und entzündlichen Krankheitsmechanismen und nutzte anschließend generative Chemie, um einen Wirkstoffkandidaten mit den für die klinische Entwicklung erforderlichen Eigenschaften zu erzeugen.“

⚗️ Generative Molekulartechnik-Ausführung

Nach der Zielauswahl, Chemie42 Die Engine führt generatives Moleküldesign durch. Das System weicht von traditionellen Hochdurchsatz-Screening-Methoden ab. Chemistry42 durchsucht keine bestehenden Substanzbibliotheken – stattdessen wendet das System eigene Methoden an. Generatives tensorielles Verstärkungslernen Ziel ist es, Moleküle zu entwickeln, die sich physikalisch an die Bindungstasche des Zielproteins anpassen. Dieser algorithmische Entwicklungsprozess gleicht die strukturelle Passung mit den erforderlichen pharmakologischen Eigenschaften ab.

Die computergestützte Generierungsphase synthetisierte exakt 79 physikalische Moleküle um getestet zu werden. Das Ingenieurteam wählte die 55. Iteration um in die präklinische Testphase überzugehen. Dieses zielgerichtete Generierungsprotokoll verkürzte den Zeitraum von der Projektinitiierung bis zur Nominierung präklinischer Kandidaten auf 18 MonateDie

Die grundlegende Architektur basiert auf der Veröffentlichung des Unternehmens im Jahr 2019. GENTRL-Methodik in Nature Biotechnology. Die Plattform etabliert reproduzierbare Systeme zur Regulierung der Molekülgenerierung und vermeidet so die kapitalintensiven Trial-and-Error-Prozesse, die die Standard-Pharmazeutische Chemie kennzeichnen.

🔬 Validierung der biologischen Wirkung durch Proteomanalyse

Die klinische Bewertung integriert komplexe Proteomanalysen, um die algorithmisch vorhergesagten biologischen Interaktionen zu validieren. Insilico Medicine setzt im Rahmen der IPF-Studie interne proteomische Alterungsuhr-Frameworks ein, um explorative gerowissenschaftliche Ergebnisse zu erfassen.

Proteomische Uhren mit chronologischem Alter - einschließlich ProtAge, OrganAgechrono, ipfP3GPT und PAOPAC – Die Forscher verfolgen die vorhergesagten Veränderungen des biologischen Alters, die sich aus der Intervention ergeben. Sie nutzen altersbezogene Entwicklungsverläufe der UK Biobank als externe Vergleichsdatensätze und setzen so die auf die Behandlung ansprechenden Proteine ​​in einen Kontext mit breiten Bevölkerungsdaten.

Proteomische Uhren im Zusammenhang mit dem Mortalitätsrisiko, einschließlich PAC und OrganAgemortality, liefern orthogonale Analyseströme neben standardmäßigen klinischen Endpunkten. Die klinischen Teams führen diese durch. SenMayo- und CellAge-Signaturanalysen zur Bewertung der Seneszenz und der mit der Seneszenz assoziierten sekretorischen Phänotypbiologie in zellulären Modellen.

von Fachkollegen begutachtete Forschung, die veröffentlicht wurde in Altern und Krankheit bestätigte, dass die pharmakologische TNIK-Hemmung bewirkt senomorphe Aktivität, was zu einer beobachtbaren Verringerung der Indikatoren für die Umgestaltung der extrazellulären Matrix führt.

📚 Dokumentation der Rechenpipeline

Der Übergang von Rentosertib durch die klinische Entwicklungspipeline liefert eine dokumentierte, von Fachkollegen begutachtete Datengrundlage, die für die Überprüfung der KI-Fähigkeiten in den Lebenswissenschaften unerlässlich ist. Nature Biotechnology Die vollständige Entwicklung von der Entdeckung bis zur klinischen Anwendung wurde veröffentlicht. Die Publikation beschreibt detailliert die algorithmische Priorisierung der TNIK-Zielstrukturen, die Ergebnisse der generativen Chemie, präklinische Wirksamkeitsdaten und die Pharmakokinetik der Phase-I-Studie am Menschen.

Das Journal für Medizinische Chemie veröffentlichte die Validierung mittels Strukturbiologie, in der die Entdeckung der neuen TNIK-Inhibitor-Chemotypen detailliert beschrieben und eine strukturelle Untermauerung durch die Co-Kristallstruktur der TNIK-Kinasedomäne geliefert wurde. Naturmedizin Die Sicherheits- und Lungenfunktionsdaten der Phase IIa wurden dokumentiert und lieferten eine empirische Bestätigung der rechnergestützten Vorhersagen.

Alex Zhavoronkov, PhD, Gründer und CEO von Insilico Medicine, kommentierte: „Rentosertib ist ein wegweisendes Programm für Insilico, weil es die gesamte Bandbreite unserer Mission repräsentiert: KI nicht nur einzusetzen, um schneller voranzukommen, sondern auch, um neue biologische Erkenntnisse, neue chemische Prozesse und neue therapeutische Möglichkeiten zu generieren.“

„Dieses Programm begann mit der Hypothese, dass Die Erforschung der Alterungsbiologie könnte dazu beitragen, wirksame Angriffspunkte für die Behandlung schwerwiegender Krankheiten zu identifizieren.Es hat nun die Phasen der Zielidentifizierung, des Moleküldesigns, der präklinischen Validierung, der Phase-I-Sicherheitsstudie, der randomisierten Phase-IIa-Studie und die Phase-III-Entwicklung durchlaufen. Für die KI-gestützte Wirkstoffforschung ist dies nicht mehr nur eine Frage der Geschwindigkeit – es ist eine Geschichte der klinischen Übersetzung"

⚡ Wichtigste Erkenntnis: Die Einführung von KI in der Biopharmabranche erfordert verifizierbare Daten zu den Auswirkungen auf den Menschen. Phase-III-Studie unterzieht die generativen Algorithmen dem endgültigen Test der klinischen Wirksamkeit und markiert damit einen bedeutenden Meilenstein in der KI-gestützten Arzneimittelentwicklung.