Czym dokładnie jest cyfrowy bliźniak?

Cyfrowy bliźniak to wirtualny model przedstawiający rzeczywisty obiekt lub proces, powiązany z danymi opisującymi jego fizyczny odpowiednik. To system, który może być aktualizowany na podstawie danych, analizowany i wykorzystywany do prognozowania zachowania rzeczywistego układu. W biologii cyfrowe bliźniaki stanowią duże wyzwanie technologiczne, ponieważ mają odwzorowywać zachowanie komórek, tkanek, organizmów i innych złożonych, dynamicznych systemów biologicznych. Ich tworzenie zaczyna się od pozyskania danych z pomiarów, eksperymentów, symulacji lub innych źródeł. Następnie informacje są przetwarzane i integrowane w modelu cyfrowym. Sztuczna inteligencja i uczenie maszynowe (ML) mogą wspierać analizę tych danych, interpretację wzorców oraz dalsze udoskonalanie modelu. W kontekście projektowania leków cyfrowy bliźniak może reprezentować zarówno system biologiczny, jak i kandydata na lek, dzięki czemu badacze mogą analizować, jak dana cząsteczka zachowuje się w określonym środowisku, z czym się wiąże i jakie reakcje może wywołać.

Symulowanie interakcji lek – cel

Jednym z kluczowych zastosowań digital twins jest analiza interakcji między potencjalnym lekiem a jego biologicznym celem, np. białkiem lub enzymem związanym z rozwojem choroby. Mogą wspierać analizę sposobu wiązania, powinowactwa, selektywności i czynników związanych ze skutecznością.  Ważną rolę odgrywa tu dynamika molekularna (MD). Metoda ta wykorzystuje równania ruchu Newtona do śledzenia zmian położenia atomów i cząsteczek w czasie. Pozwala badać dynamikę konformacyjną i elastyczność biomolekuł oraz sposoby wiązania ligandów. W odkrywaniu leków symulacje MD mogą pomagać w analizie zachowania białek, kwasów nukleinowych i innych makrocząsteczek, przewidywaniu wiązania małych cząsteczek z białkami docelowymi oraz ocenie stabilności kompleksów lek – receptor. Uzupełnieniem tych analiz są metody mechaniki kwantowej (QM). Pozwalają badać właściwości elektronowe cząsteczek, ich stabilność i reaktywność, a także analizować reakcje chemiczne i oddziaływania ligand – białko. Obliczenia energii elektronowych, orbitali molekularnych czy rozkładów ładunku mogą wspierać ocenę kandydatów na leki oraz optymalizację ich syntezy.

Sztuczna inteligencja – wsparcie dla cyfrowych bliźniaków

Sztuczna inteligencja i uczenie maszynowe są przedstawiane jako technologie zdolne do wzmacniania możliwości cyfrowych bliźniaków poprzez analizę dużych zbiorów danych, wykrywanie wzorców i generowanie użytecznych wniosków. W przyszłości algorytmy AI i ML mogą wspierać optymalizację projektowanych leków pod względem siły działania, selektywności i właściwości farmakokinetycznych. Analizując struktury chemiczne oraz dane biologiczne i kliniczne, systemy mogą pomagać w wyborze cząsteczek wiodących, przewidywaniu ich właściwości farmakologicznych i projektowaniu nowych związków terapeutycznych.

Co dzieje się z lekiem w organizmie?

Istotnymi obszarami zastosowania cyfrowych bliźniaków są farmakokinetyka i farmakodynamika, czyli możliwość wykorzystania modeli predykcyjnych do prognozowania odpowiedzi na lek, jego właściwości oraz optymalizacji schematów leczenia. Cyfrowe bliźniaki mogą integrować dane dotyczące biologii strukturalnej, kinetyki enzymów i innych parametrów, aby modelować metabolizm leków. Szczególne znaczenie mają enzymy uczestniczące w metabolizmie ksenobiotyków, np. cytochromy P450. Do modelu można włączać informacje związane z polimorfizmami genetycznymi, interakcjami lek – lek czy czynnikami środowiskowymi.

Wirtualny pacjent

Cyfrowy bliźniak ma umożliwiać tworzenie symulacji dostosowanych do indywidualnego profilu pacjenta. Badacze wskazują na możliwość integrowania danych genomowych, farmakogenetycznych, omicznych, klinicznych oraz informacji pochodzących z elektronicznej dokumentacji medycznej. Dzięki temu modele mogą potencjalnie wspierać symulowanie odpowiedzi pacjenta na terapię, optymalizację schematu leczenia i ocenę ryzyka działań niepożądanych.

Digital twins w branży farmaceutycznej mają potencjał, aby:

• skracać czas potrzeby do rozwoju leków,
• ograniczać koszty i zużycie zasobów,
• przyspieszać selekcję najbardziej obiecujących kandydatów,
• przewidywać bezpieczeństwo i skuteczność,
• optymalizować dawkowanie, formulacje i sposoby podania leków,
• rozwijać dziedzinę medycyny spersonalizowanej.

Digital twins – potencjał i wyzwania

Digital twins mogą stać się ważnym elementem przyszłych badań farmaceutycznych, uzupełniając badania eksperymentalne i wspierając wybór kandydatów na leki, przewidywanie odpowiedzi pacjentów oraz optymalizację terapii. Ich rozwój wiąże się jednak z istotnymi ograniczeniami: dostępnością i jakością danych, wysokimi wymaganiami obliczeniowymi oraz koniecznością rygorystycznej walidacji modeli. Wyzwaniem pozostaje również uzyskanie akceptacji regulacyjnej dla wykorzystania cyfrowych bliźniaków w procesie rozwoju leków.