LLM-assisted large-scale curation of peptide clinical trials maps trends in therapeutic development and trial outcomes

Decennialang heeft de medische wereld zwaar geleund op twee hoofdtypen medicijnmoleculen: kleine chemische verbindingen die in het lichaam passen als sleutels in sloten, en enorme biologische eiwitten die fungeren als zware machines. Tussen deze twee extremen ligt een middenweg van moleculen die peptiden worden genoemd. Dit zijn korte ketens van aminozuren, dezelfde bouwstenen waaruit de eiwitten in onze spieren en organen zijn opgebouwd. Omdat ze zijn opgebouwd uit de eigen materialen van de natuur, kunnen peptiden ongelooflijk precies zijn, waarbij ze specifieke ziekten aanpakken terwijl ze vaak minder ongewenste reacties in het immuunsysteem veroorzaken. Sinds het eerste peptide-medicijn, insuline, in de jaren 20 de behandeling van diabetes begon, zijn wetenschappers er vastberaden op uit om meer van deze moleculen te creëren om kanker, metabole stoornissen en infecties te bestrijden. Het omzetten van deze veelbelovende moleculen in echte medicijnen is echter berucht moeilijk. Peptiden breken vaak te snel af in het lichaam of hebben moeite om door celmembranen te dringen om hun doel te bereiken. Hoewel onderzoekers veel manieren hebben ontwikkeld om deze problemen op te lossen, zoals het veranderen van de chemische structuur of het vinden van nieuwe manieren om het medicijn toe te dienen, is het moeilijk gebleken om het grote plaatje te zien. De geschiedenis van de ontwikkeling van peptide-medicijnen is verspreid over duizenden afzonderlijke klinische studies, begraven in ongestructureerde tekst, waardoor het moeilijk is om te weten welke strategieën daadwerkelijk werken en welke tot doodlopende wegen leiden.

Een team van onderzoekers besloot dit enorme, ongeorganiseerde landschap in kaart te brengen met behulp van een nieuw soort digitaal hulpmiddel. In plaats van legers menselijke experts in te huren om decennia aan proefverslagen één voor één door te lezen, trainden ze een kunstmatige intelligentie-systeem om het zware werk te doen. Dit systeem, een groot taalmodel, werd geleerd om de openbare registers van klinische studies te lezen en specifieke, cruciale details te extraheren: hoe het medicijn aan de patiënt werd toegediend, de exacte chemische sequentie van het peptide, of de studie slaagde of faalde, en de specieke reden voor eventuele mislukking. Om te garanderen dat de machine niet simpelweg gokt, testten de onderzoekers het systeem eerst tegen een reeks studies die zorgvuldig door menselijke vrijwilligers waren geannoteerd. Ze ontdekten dat de kunstmatige intelligentie de menselijke experts bijna even vaak volgde als twee verschillende menselijke experts het met elkaar eens waren. Deze validatie gaf hen het vertrouwen om de machine door een enorme dataset van 6.834 klinische peptide-studies te laten lezen die meer dan dertig jaar beslaan, een taak die menselijke teams jaren zou hebben gekost.

De resulterende kaart van de ontwikkeling van peptide-medicijnen onthult een veld dat wordt gedomineerd door één specifieke toedieningsmethode. De overgrote meerderheid van deze studies, bijna 74 procent, vertrouwde op injecties of infusies om het medicijn in het lichaam te krijgen. Dit omvat injecties onder de huid, in de spieren of direct in de bloedbaan. Hoewel orale tabletten de meest voorkomende manier zijn waarop mensen medicijnen innemen, vertegenwoordigden ze minder dan 15 procent van de peptide-studies in deze dataset. Deze zware afhankelijkheid van naalden benadrukt een hardnekkige uitdaging: peptiden zijn fragiel en kunnen vaak de barre omgeving van het spijsverteringsstelsel niet overleven. Ondanks het ongemak en de onhandigheid van injecties, blijft deze methode de meest betrouwbare manier om ervoor te zorgen dat het medicijn zijn doel bereikt. De gegevens toonden ook aan dat hoewel onderzoekers experimenteren met verschillende lengtes en chemische ladingen voor deze peptideketens, er geen enkele "perfecte" grootte of elektrische lading is die succes garandeert. De studies die slaagden en die faalden, vertoonden een brede mix van deze fysieke eigenschappen, wat suggereert dat het antwoord ligt in complexere biologische kenmerken in plaats van eenvoudige metingen.

Toen de onderzoekers keken naar hoe vaak deze studies slaagden, vonden ze een patroon dat het algemene proces van medicijnontwikkeling weerspiegelt, maar met enkele unieke wendingen. In de vroegste fase van testen, bekend als Fase 1, waarbij het primaire doel is om te controleren of een medicijn veilig is voor mensen, ging ongeveer 26 procent van de peptide-studies verder. Dit succespercentage steeg in de middelste fase, of Fase 2, waar de effectiviteit wordt getest, naar ongeveer 33 procent. Het hoogste succespercentage verscheen in Fase 3, de laatste grootschalige test voordat een medicijn kan worden goedgekeurd, waar bijna 58 procent van de studies positieve resultaten rapporteerde. Dit is een opmerkelijke bevinding omdat, in de bredere wereld van de farmaceutische ontwikkeling, de laatste fasen vaak de fasen zijn waarin de meeste mislukkingen optreden vanwege de hoge kosten en complexiteit van testen op duizenden mensen. Voor peptiden suggereert de data echter dat als een kandidaat de vroege veiligheidsdrempels overleeft en de laatste fase bereikt, het een sterke kans heeft om effectief te blijken.

Misschien wel het meest verrassende inzicht uit deze analyse betreft de reden waarom deze studies falen. In de algemene wereld van de farmaceutica zijn veiligheidszorgen en toxiciteit belangrijke redenen om een studie te stoppen, vooral in de latere fasen. Echter, voor peptide-medicijnen was veiligheid zelden de boosdoener. In de laatste Fase 3-studies was slechts ongeveer 4 procent van de mislukkingen te wijten aan het feit dat het medicijn toxisch of onveilig was. In plaats daarvan was de overweldigende reden voor het stoppen van een peptide-studie dat het medicijn simpelweg niet werkte zoals bedoeld. Dit gebrek aan effectiviteit maakte meer dan een derde van alle mislukkingen uit. Een ander aanzienlijk deel van de studies eindigde niet vanwege de wetenschap, maar door zakelijke beslissingen, financieringsproblemen of moeilijkheden bij het vinden van voldoende vrijwilligers om deel te nemen. De onderzoekers merkten ook op dat studies met positieve resultaten meestal veel grotere groepen mensen omvatten dan die welke faalden, wat suggereert dat het hebben van een robuust studieontwerp en voldoende middelen een cruciale rol speelt bij het aantonen van het ware potentieel van een medicijn.

Door deze chaotische geschiedenis te organiseren in een duidelijke, gestructureerde dataset, biedt de studie een nieuwe manier om de reis van peptide-medicijnen te begrijpen. Het bevestigt dat hoewel de weg naar goedkeuring lang en duur is, met een gemiddelde van meerdere jaren per fase, de laatste hindernissen voor peptiden minder gaan over veiligheid en meer over het bewijzen dat ze werken. De studie demonstreert ook dat kunstmatige intelligentie een krachtige partner kan zijn in wetenschappelijk onderzoek, in staat om complexe medische dossiers te lezen en te begrijpen met een nauwkeurigheidsniveau dat dat van menselijke experts evenaart. Deze aanpak stelt wetenschappers in staat om terug te kijken naar decennia aan data om patronen te identificeren die voorheen verborgen waren, wat een duidelijkere routekaart biedt voor de volgende generatie peptide-medicijnen. Terwijl onderzoekers doorgaan met het ontwikkelen van nieuwe manieren om deze medicijnen zonder naalden toe te dienen en om stabielere moleculen te ontwerpen, biedt dit grootschalige overzicht van het verleden een solide fundament voor het voorspellen welke strategieën in de toekomst succesvol zullen zijn.