U tamnoj noći, daleko od gradske svjetlosti, zvijezde Mliječne staze čine se nenadoknadive. Ali s bilo koje točke ne golim okom je vidljivo više od 4500 zvijezda. U našoj galaksiji postoji 100-400 milijardi njih, u Svemiru postoji još više galaksija. Ispada da na noćnom nebu nema mnogo zvijezda. Međutim, čak i ovaj broj otvara pred nama dubok uvid … droge i droge. Činjenica je da broj mogućih organskih spojeva s ljekovitim svojstvima premašuje broj zvijezda u Svemiru za više od 30 reda veličine. A kemijske konfiguracije koje znanstvenici stvaraju iz postojećih lijekova slične su zvijezdama koje bismo mogli vidjeti noću u centru grada.
Pronalaženje svih mogućih lijekova za ljude je neodoljiv zadatak, kao i proučavanje cijelog fizičkog prostora, pa čak i da smo mogli, većina onoga što je otkriveno ne bi odgovaralo našim ciljevima. Međutim, ideja da bi čudesni lijekovi mogli vrebati u izobilju previše je primamljiva da bi se zanemarila.
Zato bismo trebali koristiti umjetnu inteligenciju koja može jače raditi i ubrzati otkrivanje. Tako kaže Alex Zhavoronkov, koji je prošli tjedan govorio na Exponential Medicine u San Diegu. Ova bi aplikacija mogla biti najveća za AI u medicini.
Psi, dijagnoza i lijekovi
Zhavoronkov - predsjednik Uprave za medicinu Insilico i Biogerontologiju za istraživanje civilnog društva. Insilico je jedan od mnogih startupa koji razvijaju AI koji mogu ubrzati otkrivanje novih lijekova i lijekova.
U posljednjih nekoliko godina, rekao je Zhavoronkov, poznata tehnika strojnog učenja - duboko učenje - ostvarila je napredak na nekoliko frontova. Algoritmi sposobni naučiti igrati video igre - poput AlphaGo Zero-a ili poker igrača Carnegie Mellona - od najvećeg su interesa. No prepoznavanje uzorka ono je što je snažno potaknulo duboko učenje kada su algoritmi strojnog učenja konačno počeli razlikovati mačke od pasa i to učiniti brzo i točno.
U medicini algoritmi dubokog učenja obučeni na bazama medicinskih slika mogu otkriti bolesti opasne po život s jednakom ili većom točnošću od ljudskih stručnjaka. Čak se nagađa da bi AI, ako ga naučimo vjerovati, mogao biti neprocjenjiv u dijagnosticiranju bolesti. I kao što je Zhavoronkov napomenuo, stiže još aplikacija i rekord će samo rasti.
Promotivni video:
"Tesla već izvodi automobile na ulicu", kaže Zhavoronkov. „Trogodišnja i četverogodišnja tehnologija već prevozi putnike od točke A do točke B brzinom od 200 kilometara na sat; jedna greška i mrtav si. Ali ljudi vjeruju u svoj život ovoj tehnologiji."
"Zašto ne učiniti isto u lijekovima?"
Pokušajte i uspjeti, iznova i iznova
U farmaceutskom istraživanju, AI neće morati voziti automobil. Postat će pomoćnik koji u paru s ljekarom ili dvojicom može ubrzati otkrivanje lijekova pomicanjem više opcija u potrazi za boljim kandidatima.
Prostor za optimizaciju i poboljšanje učinkovitosti je ogroman, rekao je Zhavoronkov.
Pronalaženje lijekova je mukotrpan i skup poduhvat. Kemičari prosijavaju desetke tisuća mogućih spojeva, tražeći najperspektivnije. Od toga samo nekoliko njih ide na daljnje proučavanje, a još manje njih će se testirati na ljudima, a od tih će, uglavnom, mrvice biti odobrene za daljnju upotrebu.
Cijeli ovaj postupak može trajati mnogo godina i košta stotine milijuna dolara.
Ovo je veliki problem s podacima i duboko učenje odlikuje se velikim podacima. Prve aplikacije pokazale su da su AI sustavi temeljeni na dubokom učenju uspjeli pronaći suptilne obrasce u ogromnim uzorcima podataka. Iako proizvođači lijekova već koriste softver za prosijavanje spojeva, takav softver zahtijeva jasna pravila koja su napisali kemičari. Prednosti AI u ovom pitanju su njegove sposobnosti samostalnog učenja i usavršavanja.
"Postoje dvije strategije za AI inovaciju u farmaceutskim proizvodima koje će vam pružiti bolje molekule i brže odobravanje", kaže Zhavoronkov. "Jedan traži iglu u hrpi sijena, a drugi stvara novu iglu."
Da bi pronašli iglu u hrpi sijena, algoritmi se uvježbavaju na velikoj bazi molekula. Zatim traže molekule prikladnih svojstava. Ali stvoriti novu iglu? Tu priliku pružaju generativne protivničke mreže za koje se Zhavoronkov specijalizirao.
Takvi algoritmi vode međusobno dvije neuronske mreže. Jedan generira smisleni rezultat, a drugi odlučuje je li taj rezultat istinit ili lažan, kaže Zhavoronkov. Ove mreže zajedno stvaraju nove objekte poput teksta, slika ili, u ovom slučaju, molekularnih struktura.
„Počeli smo koristiti ovu posebnu tehnologiju da bi duboke neuronske mreže zamislile nove molekule kako bi bile savršene od samog početka. Potrebne su nam savršene igle “, kaže Zhavoronkov. "Možete se obratiti ovoj generativnoj protivničarskoj mreži i zatražiti da stvori molekule koje inhibiraju protein X u koncentraciji Y, s najvećom održivošću, željenim karakteristikama i minimalnim nuspojavama."
Zhavoronkov vjeruje da AI može pronaći ili proizvesti više igala iz mnoštva molekulskih mogućnosti, oslobađajući ljudske kemikalije da se usredotoče na sintetizaciju samo onih najperspektivnijih. Ako to uspije, nada se, možemo povećati broj pogodaka, smanjiti propuste i općenito ubrzati postupak.
U torbi
Insilico nije sam u istraživanju novih putova otkrića droga, a to nije novo područje interesa. Prošle godine, grupa iz Harvarda objavila je članak o AI u kojem na sličan način bira kandidate iz droga. Softver je obučavao 250 000 molekula lijeka i koristio svoju stručnost za stvaranje novih molekula koje su miješale postojeće lijekove i davale prijedloge na temelju željenih svojstava. Međutim, kao što je navedeno u MIT Technology Review, dobiveni rezultati nisu uvijek smisleni ili se lako sintetiziraju u laboratorijima, a kvaliteta tih rezultata, kao i uvijek, je visoka koliko i kvaliteta podataka u početku.
Profesor kemije Stanford Vijay Pande kaže da slike, govor i tekst - koji su trenutno predmet dubokog učenja - imaju dobre i čiste podatke. Ali s druge strane podaci o kemiji još uvijek su optimizirani za dubinsko učenje. Pored toga, iako postoje javne baze podataka, velik dio podataka i dalje živi iza zatvorenih vrata privatnih tvrtki.
Da bi prevladao sve prepreke, Zhavoronkov je fokusiran na validaciju tehnologije. No, ove se godine čini da skepticizam u farmaceutskoj industriji ustupa mjesto interesima i ulaganjima. Čak se i Google može probiti u utrku.
Kako napreduju AI i hardver, najveći potencijal i dalje treba otključati. Možda će jednog dana svih 1060 molekula u domeni lijekova biti na raspolaganju.
Ilya Khel