В тъмна нощ, далеч от градската светлина, звездите на Млечния път изглеждат несъизмерими. Но от всяка точка не повече от 4500 звезди се виждат с просто око. В нашата галактика има 100-400 милиарда от тях, има още повече галактики във Вселената. Оказва се, че на нощното небе няма много звезди. Въпреки това, дори това число отваря пред нас дълбоко вникване … наркотици и наркотици. Факт е, че броят на възможните органични съединения с лечебни свойства надвишава броя на звездите във Вселената с повече от 30 порядъка. А химичните конфигурации, които учените създават от съществуващи лекарства, са близки до звездите, които може да видим през нощта в центъра на града.
Намирането на всички възможни лекарства е огромна задача за хората, както и изследването на цялото физическо пространство и дори ако можехме, повечето от откритото не биха отговаряли на нашите цели. Въпреки това, идеята, че чудотворните наркотици могат да витаят сред изобилието, е твърде примамлива, за да се игнорира.
Ето защо трябва да използваме изкуствен интелект, който може да работи по-усилено и да ускори откриването. Така казва Алекс Жаворонков, който миналата седмица говори в Експоненциалната медицина в Сан Диего. Това приложение може да бъде най-голямото за AI в медицината.
Кучета, диагноза и лекарства
Жаворонков - главен изпълнителен директор на Фондация за изследвания на биолиронтологията на Insilico Medicine и CSO. Insilico е един от многото стартиращи компании, разработващи AI, които могат да ускорят откриването на нови лекарства и лекарства.
През последните години, заяви Жаворонков, известната техника за машинно обучение - дълбоко обучение - постигна напредък на няколко фронта. Алгоритмите, способни да се научат да играят видео игри - като AlphaGo Zero или покер играчът Carnegie Mellon - са от най-голям интерес. Но разпознаването на модели е това, което даде мощен тласък на задълбоченото учене, когато алгоритмите за машинно обучение най-накрая започнаха да разграничават котките от кучетата и го правят бързо и точно.
В медицината алгоритмите за задълбочено обучение, обучени на бази данни с медицински изображения, могат да откриват животозастрашаващи заболявания с еднаква или по-голяма точност от човешките специалисти. Има дори спекулации, че AI, ако се научим да му се доверяваме, може да бъде безценна при диагностициране на заболяване. И както отбеляза Жаворонков, идват още приложения и рекордите само ще нарастват.
Промоционално видео:
„Тесла вече изкарва коли на улицата“, казва Жаворонков. „Три- и четиригодишната технология вече транспортира пътници от точка А до точка Б със скорост 200 километра в час; една грешка и си мъртъв. Но хората вярват живота си на тази технология."
"Защо да не направим същото във фармацевтичните продукти?"
Опитайте и се проваляйте, отново и отново
При фармацевтичните изследвания AI няма да трябва да кара кола. Той ще стане асистент, който в комбинация с химик или двама може да ускори откриването на наркотици чрез превъртане на повече опции в търсене на по-добри кандидати.
Пространството за оптимизация и подобряване на ефективността е огромно, каза Жаворонков.
Намирането на наркотици е старателно и скъпо начинание. Химиците пресяват десетки хиляди възможни съединения, търсейки най-обещаващите. От тях само няколко отиват за по-нататъшно изследване и още по-малко ще бъдат тествани върху хора, а от тях, като цяло, трохите ще бъдат одобрени за по-нататъшна употреба.
Целият този процес може да отнеме много години и да струва стотици милиони долари.
Това е голям проблем с данни и задълбоченото обучение превъзхожда големите данни. Първите приложения показаха, че AI системите, базирани на дълбоко обучение, успяха да намерят фини модели в гигантски проби от данни. Въпреки че производителите на лекарства вече използват софтуер за пресяване на съединения, такъв софтуер изисква ясни правила, написани от химиците. Предимствата на AI по този въпрос са способността му да се учи и усъвършенства самостоятелно.
„Има две стратегии за ИИ иновации във фармацевтичните продукти, които ще ви осигурят по-добри молекули и по-бързо одобрение“, казва Жаворонков. "Единият търси игла в сено, а другият създава нова игла."
За да намерят игла в сено, алгоритмите се обучават върху голяма база данни с молекули. Тогава те търсят молекули с подходящи свойства. Но да създадете нова игла? Тази възможност се предоставя от генеративните състезателни мрежи, за които Жаворонков е специализиран.
Такива алгоритми поставят две неврални мрежи една срещу друга. Единият генерира смислен резултат, а другият решава дали този резултат е верен или лъжлив, казва Жаворонков. Колективно тези мрежи генерират нови обекти като текст, изображения или, в случая, молекулярни структури.
„Започнахме да използваме тази конкретна технология, за да накараме дълбоките невронни мрежи да си представят нови молекули, за да я направят перфектна от самото начало. Имаме нужда от перфектни игли “, казва Жаворонков. "Можете да се обърнете към тази генеративна състезателна мрежа и да я помолите да създаде молекули, които инхибират протеин X в концентрация Y, с най-висока жизнеспособност, желани характеристики и минимални странични ефекти."
Жаворонков вярва, че AI може да намери или направи повече игли от множество молекулни възможности, освобождавайки човешките химици да се съсредоточат върху синтезирането само на най-обещаващите. Ако това работи, надява се той, можем да увеличим броя на попаденията, да сведем до минимум пропуските и като цяло да ускорим процеса.
В чантата
Insilico не е сам в проучването на нови пътища за откриване на наркотици и това не е нова област на интерес. Миналата година група от Харвард публикува документ за AI, който аналогично подбира кандидатите от наркотиците. Софтуерът тренира на 250 000 молекули лекарства и използва своя опит, за да създаде нови молекули, които смесват съществуващите лекарства и дават предложения въз основа на желаните свойства. Както обаче отбелязва Технологичният преглед на MIT, получените резултати не винаги са смислени или лесно се синтезират в лабораторията и качеството на тези резултати, както винаги, е толкова високо, колкото качеството на първоначално предоставените данни.
Професорът по химия на Станфорд Виджай Панде казва, че изображенията, речта и текстът - които са предмет на задълбочен интерес в момента - имат добри и чисти данни. Но данните от химията, от друга страна, все още са оптимизирани за задълбочено обучение. Освен това, докато съществуват публични бази данни, голяма част от данните все още живеят зад затворените врати на частните компании.
За да преодолее всички препятствия, компанията на Жаворонков е фокусирана върху валидирането на технологиите. Но тази година скептицизмът във фармацевтичната индустрия изглежда отстъпва на интереса и инвестициите. Дори Google може да пробие в надпреварата.
С напредването на AI и хардуера най-големият потенциал все още трябва да бъде отключен. Може би един ден всички 1060 молекули в домена на лекарството ще бъдат на наше разположение.
Иля Кел