Tekstualno rudarenje otkriva skrivene veze u proizvodnji lijekova

Novo istraživanje pokazuje kako automatizirano tekstualno rudarenje i znanjski grafovi mogu razotkriti skrivene veze između uvjeta uzgoja stanica i glikozilacije – ključnog procesa koji određuje djelotvornost terapijskih proteina. Metoda, koja dostigne 88% točnost u izvlacenju odnosa iz znanstvene literature, nije samo akademska vježba: cilj je smanjiti troškove i nepredvidljivost u biofarmaceutskoj proizvodnji, gdje čak male promjene u procesu mogu utjecati na sigurnost i učinkovitost lijekova.

Istraživači su izgradili Bioprocess Knowledge Graph Database – sustav koji povezuje parametre kao što su temperatura, ph vrijednost ili sastav medija s konačnim profilom glikana na proteinima. Važno je istaknuti: radi se o analizi postojećih podataka, a ne o novim laboratorijskim eksperimentima.

Unatoč ogromnoj količini objavljenih studija, opći odnosi između uvjeta kulture i glikozilacije ostaju fragmentirani, navode autori, ističući kako ovaj pristup može smanjiti potrebu za metodom pokušaja i pogreške u razvoju procesa. Među prvim nalazima je i to da određeni uvjeti – poput koncentracije amonijaka u mediju – imaju dosljedniji utjecaj na glikozilaciju nego što se ranije pretpostavljalo.

Međutim, studija ne navodi konkretne tvrtke ili alate koji bi ovu metodu već primjenjivali u praksi, niti daje procjenu kada bi mogla postati standard u industriji.

Zašto je ovo važno za pacijente? Glikozilacija nije samo tehnički detalj: promjene u šećernim lancima na proteinu mogu utjecati na njegovu stabilnost, imunogenost, pa čak i na to kako će tijelo reagirati na lijek.

Primjerice, neispravna glikozilacija kod nekih monoklonalnih antitijela može smanjiti njihovu učinkovitost ili povećati rizik od nuspojava. Međutim, ova studija ne donosi nove kliničke smjernice niti se tiče odobrenih terapija – radi se o alatu za optimizaciju proizvodnih procesa, koji bi mogao dovesti do dosljednijih i jeftinijih lijekova.

Istraživači najavljuju sljedeći korak: proširenje sustava dubokim učenjem i velikim jezikovnim modelima za preciznije izvlacenje odnosa. No, ostaje pitanje koliko će industrija biti spremna usvojiti ove alate – posebno u strogo reguliranom okruženju kao što je proizvodnja bioloških lijekova, gdje svaka promjena zahtijeva opsežnu validaciju.

Regulatorna agencija još uvijek nemaju jasne smjernice za upotrebu umjetne inteligencije u razvoju lijekova, što može usporiti primjenu.

Ova metoda ne zamjenjuje klasična istraživanja, već ih nadopunjuje. Bez obzira na visoku točnost, automatizirano izvlacenje podataka uvijek nosi rizik pristranosti u izvorima ili propuštanja ključnih kontekstualnih informacija. Također, studija ne analizira patente ili industrijsku građu, što znači da neki relevantni podaci možda nisu uključeni.