V temni noči, daleč od mestne luči, se zdi, da so zvezde Mlečne poti neprecenljive. Toda s katere koli točke je s prostim očesom vidnih več kot 4500 zvezd. V naši galaksiji jih je 100-400 milijard, v vesolju je še več galaksij. Izkazalo se je, da na nočnem nebu ni veliko zvezd. Vendar pa tudi ta številka pred nami odpira globok vpogled … droge in droge. Dejstvo je, da število možnih organskih spojin z zdravilnimi lastnostmi presega število zvezd v vesolju za več kot 30 zaporedja. In kemijske sestave, ki jih znanstveniki ustvarijo iz obstoječih zdravil, so podobne zvezdam, ki jih lahko vidimo ponoči v centru.
Iskanje vseh možnih drog je za človeka preobsežna naloga, prav tako tudi preučevanje celotnega fizičnega prostora in tudi če bi lahko, večina tega, kar smo odkrili, ne bi ustrezala našim ciljem. Vendar je ideja, da bi čudežna zdravila lahko skrivala obilo, preveč mamljiva, da bi jo lahko prezrli.
Zato bi morali uporabiti umetno inteligenco, ki lahko močneje deluje in pospeši odkrivanje. Tako pravi Alex Zhavoronkov, ki je prejšnji teden govoril na Exponential Medicine v San Diegu. Ta aplikacija bi lahko bila največja za AI v medicini.
Psi, diagnoza in zdravila
Zhavoronkov - izvršni direktor za fundacijo Insilico Medicine in Biogerontology Research Foundation. Insilico je eden izmed številnih zagonov, ki razvijajo AI, ki lahko pospešijo odkrivanje novih zdravil in drog.
V zadnjih letih je Žavoronkova dejala, da je znana tehnika strojnega učenja - globoko učenje - napredovala na več frontah. Algoritmi, ki se lahko naučijo igrati video igre - na primer AlphaGo Zero ali igralec pokra Carnegie Mellon - so najbolj zanimivi. Toda prepoznavanje vzorcev je tisto, kar je močno spodbudilo globoko učenje, ko so algoritmi strojnega učenja končno začeli razlikovati mačke od psov in to storiti hitro in natančno.
V medicini lahko algoritmi globokega učenja, usposobljeni na bazah medicinskih slik, odkrijejo življenjsko nevarne bolezni z enako ali večjo natančnostjo kot človeški specialisti. Obstajajo celo ugibanja, da bi bil AI, če se naučimo zaupati temu, neprecenljiv pri diagnosticiranju bolezni. In kot je opozoril Žavoronkov, prihaja vse več prijav in uspešnost bo le še rasla.
Promocijski video:
"Tesla že vozi avtomobile na ulico," pravi Žavoronkova. „Tri- in štiriletna tehnologija že prevaža potnike od točke A do točke B s hitrostjo 200 kilometrov na uro; ena napaka in mrtev si. Toda ljudje življenje zaupajo tej tehnologiji."
"Zakaj ne bi storili enako v farmacevtskih izdelkih?"
Poskusite in ne, vedno znova
Pri farmacevtskih raziskavah AI ne bo treba voziti avtomobila. Postal bo asistent, ki bo v paru s kemikom ali dvema lahko pospešil odkrivanje drog, tako da se pomaknete po več možnostih v iskanju boljših kandidatov.
Žavoronkova je dejala, da je prostora za optimizacijo in izboljšanje učinkovitosti ogromno.
Iskanje drog je naporno in drago delo. Kemiki presejejo več deset tisoč možnih spojin in iščejo najbolj obetavne. Od tega jih le nekaj hodi na nadaljnje preučevanje, še manj pa jih bodo testirali na ljudeh, od teh pa bodo na splošno drobtine odobrene za nadaljnjo uporabo.
Ta celoten postopek lahko traja več let in stane več sto milijonov dolarjev.
To je velik problem s podatki in globoko učenje se odlikuje pri velikih podatkih. Prve aplikacije so pokazale, da so sistemi AI, ki temeljijo na globokem učenju, lahko našli velikanske vzorce v velikanskih vzorcih podatkov. Čeprav proizvajalci zdravil že uporabljajo programsko opremo za sejanje spojin, taka programska oprema zahteva jasna pravila, ki jih napišejo kemiki. Prednosti AI v tej zadevi so njegove sposobnosti za samostojno učenje in izboljšanje.
"Obstajata dve strategiji inovacij AI v farmacevtskih zdravilih, ki vam bodo omogočile boljše molekule in hitrejšo odobritev," pravi Žavoronkova. "Eden išče iglo v senu, drugi pa ustvari novo iglo."
Za iskanje igle v senenem nahodu se algoritmi usposabljajo na veliki zbirki molekul. Nato poiščejo molekule s primernimi lastnostmi. Ali ustvarite novo iglo? To priložnost nudijo generativna tekmovalna omrežja, za katera je Žavoronkov specializiran.
Takšni algoritmi postavljajo dve nevronski mreži drug proti drugemu. Ena ustvari smiseln rezultat, druga pa se odloči, ali je ta rezultat pravi ali napačen, meni Žavoronkova. Skupno ta omrežja ustvarjajo nove predmete, kot so besedilo, slike ali v tem primeru molekularne strukture.
»Začeli smo uporabljati to posebno tehnologijo, da bi globoke nevronske mreže predstavljale nove molekule, da bi bile že od samega začetka popolne. Potrebujemo popolne igle, "pravi Žavoronkov. "Lahko se obrnete na to generativno adversarialno mrežo in jo zaprosite, da ustvari molekule, ki zavirajo beljakovine X v koncentraciji Y, z najvišjo sposobnostjo preživetja, želenimi lastnostmi in minimalnimi stranskimi učinki."
Žavoronkov verjame, da lahko AI odkrije ali izdela več igel iz množice molekulskih možnosti, s čimer se človeški kemiki osvobodijo, da se osredotočijo na sintezo samo najbolj obetavnih. Če bo delovalo, upa, utegnemo povečati število zadetkov, čim manj zamuditi in na splošno pospešiti postopek.
V torbi
Insilico ni sam pri iskanju novih poti za odkrivanje drog in tudi to ni novo področje zanimanja. Lani je skupina s Harvarda objavila prispevek o AI, ki podobno izbira kandidate med drogami. Programska oprema je usposobila 250.000 molekul drog in svoje znanje uporabila za ustvarjanje novih molekul, ki so mešale obstoječa zdravila in dajale predloge na podlagi želenih lastnosti. Vendar pa, kot ugotavlja tehnološki pregled MIT, dobljeni rezultati niso vedno smiselni ali zlahka sintetizirani v laboratorijih, kakovost teh rezultatov pa je tako kot vedno enaka kakovosti prvotno posredovanih podatkov.
Profesor kemije na Stanfordu Vijay Pande pravi, da imajo slike, govor in besedilo - ki so trenutno zanimive za globoko učenje - dobre in čiste podatke. Po drugi strani pa so podatki o kemiji še vedno optimizirani za poglobljeno učenje. Medtem ko javne baze podatkov obstajajo, večina podatkov še vedno živi za zaprtimi vrati zasebnih podjetij.
Za premagovanje vseh ovir je podjetje Zhavoronkov osredotočeno na validacijo tehnologije. Toda letos se zdi, da skepticizem v farmacevtski industriji popušča obresti in naložbam. Tudi Google se lahko prebije v dirko.
Ko napreduje AI in strojna oprema, je treba še vedno sprostiti največji potencial. Morda bo nekega dne na razpolago vseh 1060 molekul v domeni drog.
Ilya Khel