Za temné noci, daleko od městského světla, se hvězdy Mléčné dráhy zdají být nevyčíslitelné. Pouhým okem však není z žádného místa vidět více než 4500 hvězd. V naší galaxii je jich 100-400 miliard, ve vesmíru je ještě více galaxií. Ukázalo se, že na noční obloze není mnoho hvězd. Avšak i toto číslo nám otevírá hluboký vhled … drogy a drogy. Faktem je, že počet možných organických sloučenin s léčivými vlastnostmi převyšuje počet hvězd ve vesmíru o více než 30 řádů. A chemické konfigurace, které vědci vytvářejí z existujících léků, se podobají hvězdám, které bychom mohli v noci vidět v centru.
Nalezení všech možných drog je pro člověka obrovským úkolem, stejně jako studium celého fyzického prostoru, a i kdybychom mohli, většina z toho, co bylo objeveno, by neodpovídala našim cílům. Myšlenka, že zázračné léky se mohou skrývat uprostřed hojnosti, je však příliš lákavá na to, aby se ignorovala.
Proto bychom měli používat umělou inteligenci, která může tvrději pracovat a urychlit objevování. Tak říká Alex Zhavoronkov, který minulý týden hovořil na Exponenciální medicíně v San Diegu. Tato aplikace by mohla být největší pro AI v medicíně.
Psi, diagnostika a léky
Zhavoronkov - generální ředitel Insilico Medicine a Nadace výzkumu biogerontologie CSO. Insilico je jedním z mnoha začínajících vývojářů umělé inteligence, které mohou urychlit objev nových drog a drog.
V posledních letech Zhavoronkov řekl, že slavná technika strojového učení - hluboké učení - pokročila na několika frontách. Největší zájem je o algoritmy, které se mohou naučit hrát videohry - jako AlphaGo Zero nebo pokerový hráč Carnegie Mellon. Rozpoznávání vzorů je to, co dalo silnou podporu hlubokému učení, když algoritmy strojového učení konečně začaly rozlišovat kočky od psů a dělat to rychle a přesně.
V medicíně mohou algoritmy hlubokého učení vycvičené v databázích lékařských obrazů detekovat život ohrožující nemoci se stejnou nebo větší přesností než lidské specialisty. Existují dokonce spekulace, že AI, pokud se naučíme tomu důvěřovat, by mohlo být neocenitelné při diagnostice onemocnění. A jak poznamenal Zhavoronkov, přichází více aplikací a výsledky se budou jen rozšiřovat.
Propagační video:
"Tesla už sjíždí auta na ulici," říká Zhavoronkov. „Tříletá a čtyřletá technologie již přepravuje cestující z bodu A do bodu B rychlostí 200 km / h; jedna chyba a jsi mrtvý. Lidé věří svému životu této technologii. “
"Proč to nedělat v léčivech?"
Zkuste a neuspějte znovu a znovu
Ve farmaceutickém výzkumu nebude AI muset řídit auto. Stane se asistentem, který ve spojení s lékárnou nebo dvěma lékárnami může urychlit objevování drog procházením více možností při hledání lepších kandidátů.
Zhavoronkov řekl, že prostor pro optimalizaci a zvyšování účinnosti je obrovský.
Hledání drog je pečlivý a nákladný úkol. Chemici prosévají desítky tisíc možných sloučenin a hledají ty nejslibnější. Z toho jen několik lidí jde na další studium, a ještě méně jich bude testováno na lidech, a obecně z nich budou drobky schváleny pro další použití.
Celý tento proces může trvat mnoho let a stát stovky milionů dolarů.
Jedná se o velký datový problém a hluboké učení vyniká u velkých dat. První aplikace ukázaly, že systémy umělé inteligence založené na hlubokém učení byly schopny najít jemné vzory ve vzorcích obřích dat. Přestože výrobci drog již používají software k prosévání sloučenin, takový software vyžaduje jasná pravidla psaná chemiky. Výhodou AI v této záležitosti je její schopnost učit se a zlepšovat se sama.
"Existují dvě strategie pro inovace AI ve farmaceutických přípravcích, které vám poskytnou lepší molekuly a rychlejší schválení," říká Zhavoronkov. "Jeden hledá jehlu v kupce sena a druhý vytvoří novou jehlu."
Aby bylo možné najít jehlu v kupce sena, jsou algoritmy trénovány na velké databázi molekul. Pak hledají molekuly s vhodnými vlastnostmi. Ale vytvořit novou jehlu? Tuto příležitost poskytují generativní protivníkovské sítě, na které se Žavoronkov specializuje.
Takové algoritmy umisťují proti sobě dvě neuronové sítě. Jeden generuje smysluplný výsledek a druhý rozhodne, zda je tento výsledek pravdivý nebo nepravdivý, říká Zhavoronkov. Společně tyto sítě vytvářejí nové objekty, jako je text, obrázky nebo v tomto případě molekulární struktury.
"Začali jsme používat tuto konkrétní technologii k tomu, aby si hluboké neuronové sítě představovaly nové molekuly, aby byly dokonalé od začátku." Potřebujeme dokonalé jehly, “říká Zhavoronkov. "Můžete se obrátit na tuto generativní protivníkovou síť a požádat ji o vytvoření molekul, které inhibují protein X v koncentraci Y, s nejvyšší životaschopností, požadovanými vlastnostmi a minimálními vedlejšími účinky."
Zhavoronkov věří, že umělá inteligence dokáže najít nebo vyrobit více jehel z mnoha molekulárních možností, což umožňuje lidským chemikům soustředit se na syntézu pouze těch nejslibnějších. Pokud to funguje, doufá, že můžeme zvýšit počet zásahů, minimalizovat počet chyb a obecně urychlit proces.
V tašce
Insilico není samo o sobě ve zkoumání nových cest pro objevování drog a toto není nová oblast zájmu. V loňském roce skupina Harvard zveřejnila příspěvek o umělé inteligenci, který podobně vybírá kandidáty z drog. Tento software vyškolil na 250 000 molekul léků a využil své odborné znalosti k vytvoření nových molekul, které smíchaly existující drogy a navrhly na základě požadovaných vlastností. Jak je však uvedeno v technologickém přehledu MIT, získané výsledky nejsou vždy smysluplné nebo snadno syntetizovatelné v laboratoři a kvalita těchto výsledků, jako vždy, je stejně vysoká jako kvalita údajů poskytnutých původně.
Profesor Stanford Chemistry Vijay Pande říká, že obrázky, řeč a text - které jsou právě teď předmětem hlubokého zájmu o učení - mají dobrá a čistá data. Na druhé straně jsou však údaje o chemii optimalizovány pro hluboké učení. Kromě toho, zatímco existují veřejné databáze, většina dat stále žije za zavřenými dveřmi soukromých společností.
Pro překonání všech překážek se společnost Žavoronkov zaměřuje na ověřování technologií. Ale letos se zdá, že skepticismus ve farmaceutickém průmyslu ustupuje zájmu a investicím. Dokonce i Google se může do závodu dostat.
S postupem AI a hardwarem je stále třeba uvolnit největší potenciál. Možná jednoho dne bude k dispozici všech 1060 molekul v oblasti léků.
Ilya Khel