Sztuczna inteligencja będzie zanurzyć się w świat cząsteczek w poszukiwaniu niesamowitych leków

W środku Ciemnej nocy, z dala od miejskiego światła, gwiazdy Drogi Mlecznej wydają się być niezliczone. Ale z dowolnego miejsca невооруженному oka widać nie więcej niż 4500 gwiazdek. W naszej galaktyce jest ich 100-400 miliardów galaktyk we Wszechświecie i tym więcej. Wychodzi na to, na nocnym niebie nie tak wiele gwiazd. Jednak nawet ta liczba otwiera przed nami głęboką prawdę... leków i preparatów. Rzecz w tym, że liczba możliwych związków organicznych z leków zdolności większa niż liczba gwiazd we Wszechświecie jest więcej niż 30 rzędów wielkości. I chemiczne konfiguracji, które tworzą naukowcy z istniejących leków, podobne do gwiazd, które będziemy mogli zobaczyć w centrum miasta w nocy.

Wyszukiwanie wszystkich możliwych leków — ciężka zadanie dla człowieka, jak i badanie całego przestrzeni fizycznej, a nawet gdybyśmy mogli, duża część wykrytego nie by pasowała do naszych celów. Jednak myśl o tym, że cudowne leki mogą ukrywać się wśród obfitości, zbyt kusząca, by ją ignorować.

Dlatego powinniśmy wykorzystać sztuczną inteligencję, która będzie w stanie pracować więcej i przyspieszyć otwieranie. Tak uważa Alex Skowronki, uwolniony na Naturalnyexponential Medicine w San Diego w zeszłym tygodniu. To zastosowanie może stać się największym dla AI w medycynie.

Psy, diagnoza i leki

Skowronki — CEO Insilico Medicine i CSO Biogerontology Research Foundation. Insilico — jeden z wielu firmach rozwijających SI, w stanie przyspieszyć otwieranie nowych leków i preparatów.

W ostatnich latach, powiedział Skowronki, znana technika uczenia maszynowego — głębokie szkolenia — zrealizowała postępy na wielu frontach. Algorytmy, które potrafią uczyć się gry w gry wideo — jak AlphaGo Zero lub покериста Carnegie Mellon — stanowią największy przedmiot zainteresowania. Ale rozpoznawanie wzorców — oto, co dało potężny impuls głębokiego uczenia się, kiedy algorytmy uczenia maszynowego w końcu zaczęli odróżniać koty od psów i zrobić to na tyle szybko i dokładnie.

W medycynie algorytmy głębokiej nauki, szkoleni w bazach danych medycznych zdjęć, można zidentyfikować niebezpieczne dla życia choroby z równą lub większą dokładnością, niż eksperci-ludzie. Istnieje nawet przypuszczenie, że AI, jeśli nauczymy się mu zaufać, może być bezcenne w diagnostyce choroby. I jak zaznaczył Skowronki, nadchodzi więcej aplikacji i bilans będzie tylko rosnąć.

"Tesla już wyświetla samochody na ulicę", mówi Skowronki. "Od trzech, czterech lat technologia już przewozi pasażerów z punktu A do punktu B przy prędkości 200 kilometrów na godzinę; jeden błąd — i jesteś martwy. Ale ludzie powierzają swoje życie tej technologii".

"Dlaczego nie zrobić tego samego w przemyśle farmaceutycznym?".

Próby i błędy, ponownie i ponownie

W farmaceutycznych badaniach AI nie będzie musiał prowadzić samochód. Będzie asystentem, który w połączeniu z chemikiem lub dwa będzie w stanie przyspieszyć otwieranie leków, przeglądając więcej opcji w poszukiwaniu najlepszych kandydatów.

Przestrzeń do optymalizacji i poprawy wydajności jest po prostu ogromna, uważa Skowronki.

Wyszukiwanie leków — żmudne i kosztowne zajęcie. Chemicy przesiewa dziesiątki tysięcy możliwych połączeń w poszukiwaniu najbardziej obiecujących. Z nich tylko niektóre odchodzą na dalszy nauka, i jeszcze mniej odbędą się testy na ludziach, a z tych w ogóle okruchy będą dopuszczone do dalszego użycia.

Cały ten proces może trwać wiele lat i kosztować setki milionów dolarów.

To jest problem dotyczy dużych zbiorów danych (big data), a głębokie szkolenia udaje się w pracy z dużymi danymi. Pierwsze aplikacje wykazały, że system AI na podstawie głębokiego uczenia się są w stanie znaleźć subtelne wzory w gigantycznych pobiera danych. Chociaż producenci leków już korzystają z oprogramowania do przesiewania połączeń, to oprogramowanie wymaga jasnych reguł, napisany przez chemików. Plusy AI w tej sprawie — jego zdolność do nauki i doskonalenia siebie.

"Istnieją dwie strategie innowacji na bazie AI w przemyśle farmaceutycznym, które zapewnią najlepsze molekułami i szybkim uznaniem", mówi Skowronki. "Jeden szuka igły w stogu siana, a druga tworzy nową igłę".

Aby znaleźć igłę w stogu siana, algorytmy są szkoleni na dużych bazie cząsteczek. Następnie szukają cząsteczki z odpowiednimi właściwościami. Ale utworzyć nową igłę? Tę możliwość dają generatywne dyskusyjne sieci, w których specjalizuje się Skowronki.

Takie algorytmy umieścić dwie sieci neuronowe przed siebie. Jedna generuje poprawny wynik, a druga decyduje, czy ten wynik jest prawdziwe lub fałszywe, mówi Skowronki. W połączeniu, te sieci generują nowe obiekty, takie jak tekst, obrazy lub, w tym przypadku, cząsteczkowe struktury.

"zaczęliśmy używać tej konkretnej technologii, aby głębokie sieci neuronowe wyobrażałem nowe molekuły, aby jej idealna od samego początku. Potrzebujemy idealne igły", mówi Skowronki. "Można odnieść się do tej generatywna dyskusyjnym sieci i poprosić ją, aby utworzyć cząsteczek, które hamują białko X w koncentracji, Y, z najwyższą żywotnością, określonymi charakterystykami i minimalnymi efektami ubocznymi".

Skowronki uważa, że AI może znaleźć lub zrobić więcej igieł z wielu molekularnych możliwości, uwolnić chemików-ludzi, aby ci mogli skupić się na syntezie tylko najbardziej obiecujących. Jeśli to się uda, jak ma nadzieję, będziemy mogli zwiększyć liczbę trafień, zminimalizowaćbłędy i w ogóle przyspieszyć proces.

Chodzi w kapeluszu

Insilico nie tylko zajmuje się poszukiwaniem nowych dróg do stworzenia leków, i nie jest to nowy obszar zainteresowań. W zeszłym roku harvard grupa opublikował pracę na temat AI, który w podobny sposób dobiera kandydatury z leków. Oprogramowanie przeszkoliło się na 250 000 leczniczych molekułach i wykorzystuje swoje doświadczenie do tworzenia nowych cząsteczek, które miesza istniejące leki i robili oferty na podstawie pożądanych właściwości. Jednak, jak podkreślał MIT Technology Review, uzyskane wyniki nie zawsze są lub łatwo są syntetyzowane w laboratorium, a jakość tych wyników, jak zawsze, tak wysoko, jak wysokiej jakości dostarczone pierwotnie dane.

Stanford profesor Chemii Vijay Pande mówi, że obrazów, mowy i tekstu — które w tej chwili są przedmiotem zainteresowania głębokiego szkolenia — dobre i czyste dane. Ale dane chemiczne, z drugiej strony, nadal optymalizowane dla głębokiego uczenia się. Ponadto, chociaż publiczne bazy danych istnieją, większość danych nadal mieszka za zamkniętymi drzwiami prywatnych firm.

Aby pokonać wszystkie przeszkody, firma Жаворонкова koncentruje się na weryfikacji technologii. Ale w tym roku sceptycyzm w branży farmaceutycznej, wygląda na to, zmienia się zainteresowaniem i inwestycjami. Nawet Google może włamać się do wyścigu.

W miarę jak rozwija SI i sprzętu, największy potencjał powinien być zlikwidowany. Być może, pewnego dnia, 10⁶⁰ cząsteczek w dziedzinie leków będą do naszej dyspozycji.