Într-o noapte întunecată, departe de lumina orașului, stelele Căii Lactee par a fi incalculabile. Dar din orice punct, nu mai mult de 4500 de stele sunt vizibile cu ochiul liber. În galaxia noastră, există 100-400 de miliarde dintre ei, există și mai multe galaxii în Univers. Se pare că nu există prea multe stele pe cerul nopții. Cu toate acestea, chiar și acest număr deschide în fața noastră o perspectivă profundă … droguri și droguri. Cert este că numărul de compuși organici posibili cu proprietăți medicinale depășește numărul de stele din Univers cu mai mult de 30 de ordine de mărime. Iar configurațiile chimice pe care oamenii de știință le creează din medicamentele existente sunt asemănătoare cu stelele pe care le-am putea vedea în centrul nopții.
Găsirea tuturor medicamentelor posibile este o sarcină copleșitoare pentru oameni, la fel ca studiul întregului spațiu fizic, și chiar dacă am putea, cea mai mare parte a ceea ce a fost descoperit nu ar corespunde scopurilor noastre. Cu toate acestea, ideea că medicamentele miraculoase ar putea ascunde pe fondul abundenței este prea tentantă de ignorat.
De aceea, ar trebui să folosim inteligența artificială care poate lucra mai mult și poate accelera descoperirea. Așa spune Alex Zhavoronkov, care a vorbit săptămâna trecută la Medicina Exponențială din San Diego. Această aplicație ar putea fi cea mai mare pentru AI în medicină.
Caini, diagnostic si medicamente
Zhavoronkov - CEO al Insilico Medicine și CSO Biogerontology Research Foundation. Insilico este una dintre numeroasele startup-uri care dezvoltă AI care poate accelera descoperirea de noi medicamente și medicamente.
În ultimii ani, a spus Zhavoronkov, celebra tehnică de învățare automată - învățare profundă - a făcut progrese pe mai multe fronturi. Algoritmii capabili să învețe să joace jocuri video - cum ar fi AlphaGo Zero sau jucătorul de poker Carnegie Mellon - sunt de cel mai mare interes. Recunoașterea modelului este ceea ce a dat un impuls puternic învățării profunde atunci când algoritmii de învățare automată au început în sfârșit să distingă pisicile de câini și să o facă rapid și precis.
În medicină, algoritmi de învățare profundă instruiți pe baze de date de imagini medicale pot detecta boli care pot pune viață cu o precizie egală sau mai mare decât specialiștii umani. Există chiar speculații că AI, dacă învățăm să avem încredere în ea, ar putea fi de neprețuit în diagnosticarea bolii. Și după cum a remarcat Zhavoronkov, vin mai multe aplicații, iar palmaresul va crește doar.
Video promotional:
"Tesla ia deja mașini pe stradă", spune Zhavoronkov. „Tehnologia de trei și patru ani transportă deja pasageri din punctul A în punctul B cu o viteză de 200 de kilometri pe oră; o greseala si esti mort. Dar oamenii au încredere în viața lor în această tehnologie."
„De ce să nu procedăm la fel în produsele farmaceutice?”
Încercați și nu reușiți, peste tot
În cercetarea farmaceutică, AI nu va trebui să conducă o mașină. El va deveni un asistent care, însoțit de un chimist sau doi, poate accelera descoperirea medicamentelor parcurgând mai multe opțiuni în căutarea unor candidați mai buni.
Spațiul pentru optimizare și îmbunătățirea eficienței este enorm, a spus Zhavoronkov.
Găsirea medicamentelor este o întreprindere grea și costisitoare. Chimiștii se cern prin zeci de mii de compuși posibili, în căutarea celor mai promițători. Dintre aceștia, doar câțiva merg pentru studii suplimentare și chiar mai puțini vor fi testați la oameni, iar dintre aceștia, în general, firimituri vor fi aprobate pentru utilizare ulterioară.
Acest întreg proces poate dura mulți ani și poate costa sute de milioane de dolari.
Aceasta este o mare problemă de date, iar învățarea profundă excelează la datele mari. Primele aplicații au arătat că sistemele AI bazate pe învățare profundă au putut găsi modele subtile în eșantioane gigantice de date. Deși producătorii de medicamente folosesc deja software pentru setarea compușilor, un astfel de software necesită reguli clare scrise de chimiști. Avantajele AI în această problemă sunt capacitatea sa de a învăța și de a îmbunătăți de unul singur.
„Există două strategii pentru inovarea AI în domeniul farmaceutic, care vă vor oferi molecule mai bune și o aprobare mai rapidă”, spune Zhavoronkov. "Unul caută un ac într-un căptușitor de fân, iar celălalt creează un nou ac."
Pentru a găsi un ac într-un cătun, algoritmii sunt instruiți pe o bază de date mare de molecule. Apoi caută molecule cu proprietăți potrivite. Dar creați un nou ac? Această oportunitate este oferită de rețelele contradictorii generative în care este specializat Zhavoronkov.
Astfel de algoritmi pun două rețele neuronale unele față de altele. Unul generează un rezultat semnificativ, iar celălalt decide dacă acest rezultat este adevărat sau fals, spune Zhavoronkov. Colectiv, aceste rețele generează obiecte noi, cum ar fi text, imagini sau, în acest caz, structuri moleculare.
„Am început să folosim această tehnologie specială pentru a face rețele neuronale profunde să ne imaginăm noi molecule pentru a o face perfectă de la început. Avem nevoie de ace perfecte”, spune Zhavoronkov. „Puteți apela la această rețea adversativă generativă și cereți-i să creeze molecule care inhibă proteina X la o concentrație de Y, cu cea mai mare viabilitate, caracteristici dorite și efecte secundare minime”.
Zhavoronkov consideră că AI poate găsi sau produce mai multe ace dintr-o multitudine de posibilități moleculare, eliberându-i pe chimiștii umani pentru a se concentra pe sintetizarea doar a celor mai promițătoare. Dacă funcționează, speră, putem crește numărul de accesări, minimizăm ratările și, în general, grăbim procesul.
In punga
Insilico nu este singurul în explorarea de noi căi pentru descoperirea de droguri, iar acesta nu este un domeniu de interes nou. Anul trecut, un grup Harvard a publicat o lucrare despre AI, care selectează în mod similar candidații din medicamente. Software-ul a fost instruit pe 250.000 de molecule de medicamente și și-a folosit expertiza pentru a crea noi molecule care au amestecat medicamentele existente și au făcut sugestii bazate pe proprietățile dorite. Cu toate acestea, după cum a menționat MIT Technology Review, rezultatele obținute nu sunt întotdeauna semnificative sau ușor sintetizate în laborator, iar calitatea acestor rezultate, ca întotdeauna, este la fel de înaltă ca și calitatea datelor furnizate inițial.
Vijay Pande, profesor de chimie din Stanford, spune că imaginile, vorbirea și textul - care sunt subiectele de interes profund pentru învățare în acest moment - au date bune și curate. Dar datele despre chimie, pe de altă parte, sunt încă optimizate pentru învățarea profundă. În plus, în timp ce bazele de date publice există, o mare parte din date rămân în spatele ușilor închise ale companiilor private.
Pentru a depăși toate obstacolele, compania lui Zhavoronkov este concentrată pe validarea tehnologiei. Însă în acest an, scepticismul din industria farmaceutică pare să dea loc interesului și investițiilor. Chiar și Google poate intra în cursă.
Pe măsură ce AI și hardware-ul avansează, cel mai mare potențial mai trebuie deblocat. Poate într-o zi, toate cele 1060 de molecule din domeniul medicamentului vor fi la dispoziția noastră.
Ilya Khel
