W ciemną noc, z dala od miejskiego światła, gwiazdy Drogi Mlecznej wydają się być nieobliczalne. Ale z dowolnego miejsca nie widać więcej niż 4500 gwiazd gołym okiem. W naszej galaktyce jest ich 100-400 miliardów, we Wszechświecie jest jeszcze więcej galaktyk. Okazuje się, że na nocnym niebie nie ma wielu gwiazd. Jednak nawet ta liczba otwiera przed nami głęboki wgląd… narkotyki i narkotyki. Faktem jest, że liczba możliwych związków organicznych o właściwościach leczniczych przekracza liczbę gwiazd we Wszechświecie o ponad 30 rzędów wielkości. A konfiguracje chemiczne, które naukowcy tworzą z istniejących leków, są podobne do gwiazd, które możemy zobaczyć w centrum miasta nocą.
Znalezienie wszystkich możliwych narkotyków jest przytłaczającym zadaniem dla ludzi, podobnie jak eksploracja całej fizycznej przestrzeni, a nawet gdybyśmy mogli, większość tego, co odkryto, nie odpowiadałaby naszym celom. Jednak pomysł, że cudowne narkotyki mogą czaić się w obfitości, jest zbyt kuszący, aby go zignorować.
Dlatego powinniśmy użyć sztucznej inteligencji, która może pracować ciężej i przyspieszyć odkrywanie. Tak mówi Alex Zhavoronkov, który w zeszłym tygodniu przemawiał na Exponential Medicine w San Diego. Ta aplikacja może być największa dla sztucznej inteligencji w medycynie.
Psy, diagnostyka i leki
Zhavoronkov - CEO Insilico Medicine i CSO Biogerontology Research Foundation. Insilico to jeden z wielu startupów rozwijających sztuczną inteligencję, która może przyspieszyć odkrywanie nowych leków i leków.
Jak powiedział Zhavoronkov, w ostatnich latach słynna technika uczenia maszynowego - uczenie głębokie - osiągnęła postęp na kilku frontach. Największym zainteresowaniem cieszą się algorytmy zdolne do nauki gry w gry wideo - takie jak AlphaGo Zero czy gracz w pokera Carnegie Mellon. Rozpoznawanie wzorców znacznie przyspieszyło głębokie uczenie się, gdy algorytmy uczenia maszynowego w końcu zaczęły odróżniać koty od psów i robić to szybko i dokładnie.
W medycynie algorytmy uczenia głębokiego wyszkolone na bazach danych obrazów medycznych mogą wykrywać choroby zagrażające życiu z równą lub większą dokładnością niż specjaliści ludzcy. Istnieją nawet spekulacje, że sztuczna inteligencja, jeśli nauczymy się jej ufać, może być nieoceniona w diagnozowaniu chorób. Jak zauważył Zhavoronkov, nadchodzi więcej aplikacji, a osiągnięcia będą tylko rosły.
Film promocyjny:
„Tesla już wyprowadza samochody na ulice” - mówi Zhavoronkov. „Technologia trzy- i czteroletnia już transportuje pasażerów z punktu A do punktu B z prędkością 200 kilometrów na godzinę; jeden błąd i nie żyjesz. Ale ludzie ufają tej technologii swoim życiem”.
"Dlaczego nie zrobić tego samego w farmaceutykach?"
Próby i porażki, w kółko
W badaniach farmaceutycznych sztuczna inteligencja nie będzie musiała prowadzić samochodu. Zostanie asystentem, który w połączeniu z jednym lub dwoma chemikami może przyspieszyć odkrywanie leków, przewijając kolejne opcje w poszukiwaniu lepszych kandydatów.
Przestrzeń do optymalizacji i poprawy wydajności jest ogromna - powiedział Żawonkow.
Znalezienie leków to żmudne i kosztowne przedsięwzięcie. Chemicy przeszukują dziesiątki tysięcy możliwych związków, szukając najbardziej obiecujących. Spośród nich tylko nieliczne pójdą do dalszych badań, a jeszcze mniej zostanie przetestowanych na ludziach, a spośród nich, ogólnie rzecz biorąc, okruchy zostaną zatwierdzone do dalszego użytku.
Cały ten proces może trwać wiele lat i kosztować setki milionów dolarów.
Jest to problem dużych zbiorów danych, a uczenie głębokie przoduje w dużych danych. Pierwsze aplikacje pokazały, że systemy AI oparte na głębokim uczeniu były w stanie znaleźć subtelne wzorce w gigantycznych próbkach danych. Chociaż producenci leków już używają oprogramowania do przesiewania związków, takie oprogramowanie wymaga jasnych reguł napisanych przez chemików. Zaletą sztucznej inteligencji w tej kwestii jest jej zdolność do samodzielnego uczenia się i doskonalenia.
„Istnieją dwie strategie innowacji AI w farmaceutykach, które zapewnią lepsze cząsteczki i szybszą akceptację” - mówi Zhavoronkov. „Jeden szuka igły w stogu siana, a drugi tworzy nową”.
Aby znaleźć igłę w stogu siana, algorytmy uczą się na dużej bazie danych cząsteczek. Następnie szukają cząsteczek o odpowiednich właściwościach. Ale stworzyć nową igłę? Taką szansę stwarzają generatywne sieci przeciwstawne, w których specjalizuje się Zhavoronkov.
Takie algorytmy stawiają przeciwko sobie dwie sieci neuronowe. Jeden generuje znaczący wynik, a drugi decyduje, czy ten wynik jest prawdziwy, czy fałszywy, mówi Żawonkow. Łącznie sieci te generują nowe obiekty, takie jak tekst, obrazy lub, w tym przypadku, struktury molekularne.
„Zaczęliśmy używać tej konkretnej technologii, aby głębokie sieci neuronowe wyobrażały sobie nowe cząsteczki, aby były doskonałe od samego początku. Potrzebujemy idealnych igieł”- mówi Zhavoronkov. „Możesz zwrócić się do tej generatywnej sieci przeciwników i poprosić ją o stworzenie cząsteczek, które hamują działanie białka X przy stężeniu Y, o najwyższej żywotności, pożądanych cechach i minimalnych skutkach ubocznych”.
Zhavoronkov uważa, że sztuczna inteligencja może znaleźć lub wyprodukować więcej igieł z wielu molekularnych możliwości, dzięki czemu chemicy mogą skupić się na syntezie tylko tych najbardziej obiecujących. Jeśli to zadziała, ma nadzieję, że możemy zwiększyć liczbę trafień, zminimalizować chybienia i ogólnie przyspieszyć proces.
W torbie
Insilico nie jest sam w odkrywaniu nowych dróg odkrywania leków i nie jest to nowy obszar zainteresowań. W zeszłym roku grupa z Harvardu opublikowała artykuł na temat sztucznej inteligencji, który podobnie wybiera kandydatów spośród narkotyków. Oprogramowanie przeszkoliło 250 000 cząsteczek leków i wykorzystało swoją wiedzę do stworzenia nowych cząsteczek, które mieszały istniejące leki i przedstawiały sugestie w oparciu o pożądane właściwości. Jednak, jak zauważono w MIT Technology Review, uzyskane wyniki nie zawsze są znaczące lub łatwe do zsyntetyzowania w laboratorium, a jakość tych wyników, jak zawsze, jest tak wysoka, jak jakość danych dostarczonych na początku.
Profesor chemii ze Stanford Vijay Pande mówi, że obrazy, mowa i tekst - które są obecnie przedmiotem zainteresowania głębokiego uczenia się - mają dobre i czyste dane. Z drugiej strony dane chemiczne są nadal zoptymalizowane pod kątem uczenia głębokiego. Ponadto, chociaż istnieją publiczne bazy danych, wiele danych nadal znajduje się za zamkniętymi drzwiami firm prywatnych.
Aby pokonać wszelkie przeszkody, firma Zhavoronkov koncentruje się na walidacji technologii. Jednak w tym roku wydaje się, że sceptycyzm w przemyśle farmaceutycznym ustępuje miejsca interesom i inwestycjom. Nawet Google może włamać się do wyścigu.
Wraz z rozwojem sztucznej inteligencji i sprzętu największy potencjał wciąż musi zostać odblokowany. Być może któregoś dnia wszystkie 1060 cząsteczek w domenie leków będzie do naszej dyspozycji.
Ilya Khel
