Pimeänä yönä, kaukana kaupungin valosta, Linnunradan tähdet näyttävät olevan laskemattomia. Mutta mistä tahansa kohden, enintään 4500 tähteä on näkyvissä paljaalla silmällä. Galaksissamme on niitä 100-400 miljardia, maailmankaikkeudessa on vielä enemmän galakseja. Osoittautuu, että yötaivaalla ei ole paljon tähtiä. Jopa tämä numero antaa meille syvän käsityksen … huumeista ja huumeista. Tosiasia on, että lääketieteellisillä ominaisuuksilla mahdollisesti olevien orgaanisten yhdisteiden lukumäärä ylittää maailmankaikkeudessa olevien tähteiden määrän yli 30 suuruusluokalla. Ja kemialliset kokoonpanot, jotka tutkijat luovat olemassa olevista lääkkeistä, muistuttavat tähtiä, jonka voimme nähdä keskustaan yöllä.
Kaikkien mahdollisten lääkkeiden löytäminen on ihmisille ylivoimainen tehtävä, kuten koko fyysisen tilan tutkiminen, ja vaikka voisimmekin, suurin osa löydetystä ei olisi tavoitteidemme mukainen. Ajatus siitä, että ihmeelliset lääkkeet saattaisivat varjostua runsauden keskellä, on kuitenkin liian houkuttelevaa sivuuttaa.
Siksi meidän tulisi käyttää tekoälyä, joka voi työskennellä kovemmin ja nopeuttaa löytöjä. Niin sanoo Alex Zhavoronkov, joka puhui viime viikolla San Diegon eksponentiaalilääketieteessä. Tämä sovellus voisi olla suurin AI: n lääketieteessä.
Koirat, diagnoosi ja lääkitys
Zhavoronkov - Insilico Medicine -järjestön ja CSO: n Biogerontologian tutkimussäätiön toimitusjohtaja. Insilico on yksi monista aloittelijoista, jotka kehittävät älykkyyttä, joka voi nopeuttaa uusien lääkkeiden löytämistä.
Zhavoronkov sanoi, että kuuluisa koneoppimistekniikka - syväoppiminen - on viime vuosina edistynyt useilla rintamilla. Algoritmit, jotka pystyvät oppimaan pelaamaan videopelejä - kuten AlphaGo Zero tai pokeripelaaja Carnegie Mellon - ovat erittäin kiinnostavia. Mutta kuvioiden tunnistaminen antoi voimakkaan syvän oppimisen, kun koneoppimisalgoritmit alkoivat lopulta erottaa kissat koirista ja tehdä sen nopeasti ja tarkasti.
Lääketieteessä lääketieteellisten kuvien tietokantoihin koulutetut syvän oppimisen algoritmit voivat havaita hengenvaarallisia sairauksia yhtä suurella tai suuremmalla tarkkuudella kuin ihmisen asiantuntijat. On jopa spekuloitu, että AI, jos opimme luottamaan siihen, voisi olla korvaamaton taudin diagnosoinnissa. Ja kuten Zhavoronkov huomautti, uusia sovelluksia on tulossa ja ennätys vain kasvaa.
Mainosvideo:
"Tesla vie jo autoja kadulle", Zhavoronkov sanoo. Kolme- ja nelivuotinen tekniikka kuljettaa jo matkustajia pisteestä A pisteeseen B nopeudella 200 kilometriä tunnissa; yksi virhe ja olet kuollut. Mutta ihmiset luottavat elämäänsä tähän tekniikkaan."
"Miksi ei tehdä samaa lääkkeissä?"
Yritä epäonnistua uudestaan ja uudestaan
Farmaseuttisessa tutkimuksessa AI: n ei tarvitse ajaa autoa. Hänestä tulee apulainen, joka parin parin kemian tai kahden kanssa voi nopeuttaa huumeiden löytämistä selaamalla enemmän vaihtoehtoja etsiessään parempia ehdokkaita.
Tila optimointiin ja tehokkuuden parantamiseen on valtava, Zhavoronkov sanoi.
Huumeiden löytäminen on vaivalloista ja kallista. Kemistit seulotaan kymmenien tuhansien mahdollisten yhdisteiden läpi etsien lupaavimpia. Näistä vain muutama menee lisätutkimuksiin, ja vielä harvempi testataan ihmisillä, ja näistä yleensä murut hyväksytään jatkokäyttöön.
Koko prosessi voi viedä useita vuosia ja maksaa satoja miljoonia dollareita.
Tämä on iso dataongelma, ja syvä oppiminen on erinomaista isoilla tiedoilla. Ensimmäiset sovellukset osoittivat, että syvään oppimiseen perustuvat AI-järjestelmät pystyivät löytämään hienovaraisia kuvioita jättiläisistä tietonäytteistä. Vaikka lääkevalmistajat käyttävät jo ohjelmistoja seuloa yhdisteitä, tällainen ohjelmisto vaatii selkeät kemikaalien laatimat säännöt. AI: n etuja tässä suhteessa on kyky oppia ja parantaa itsensä.
"AI-innovaatioille lääkkeissä on kaksi strategiaa, jotka tarjoavat parempia molekyylejä ja nopeamman hyväksynnän", Zhavoronkov sanoo. "Yksi etsii neulaa heinäsuovasta ja toinen luo uuden neulan."
Neulan löytämiseksi heinäsuovasta algoritmit koulutetaan laajaan molekyylitietokantaan. Sitten he etsivät molekyylejä, joilla on sopivat ominaisuudet. Mutta luodako uusi neula? Tämän mahdollisuuden tarjoavat generatiiviset keskusteluverkot, joihin Zhavoronkov on erikoistunut.
Tällaiset algoritmit pitivät kahta hermoverkkoa toisiaan vastaan. Yksi tuottaa tarkoituksenmukaisen tuloksen, ja toinen päättää onko tämä tulos totta vai epätosi, Zhavoronkov sanoo. Yhdessä nämä verkot tuottavat uusia esineitä, kuten tekstiä, kuvia tai tässä tapauksessa molekyylirakenteita.
“Aloimme käyttää tätä tekniikkaa saadakseen syvät hermostoverkot kuvittelemaan uusia molekyylejä, jotta se olisi täydellinen alusta alkaen. Tarvitsemme täydellisiä neuloja”, Zhavoronkov sanoo. "Voit kääntyä tähän generatiiviseen kilpailevaan verkostoon ja pyytää sitä luomaan molekyylejä, jotka estävät proteiinia X pitoisuutena Y ja joilla on suurin elinkyky, halutut ominaisuudet ja minimaaliset sivuvaikutukset."
Zhavoronkov uskoo, että AI voi löytää tai valmistaa enemmän neuloja monista molekyylimahdollisuuksista, mikä vapauttaa ihmiskemikot keskittymään vain lupaavimpien syntetisointiin. Jos se toimii, hän toivoo, että voimme lisätä osumien määrää, minimoida virheitä ja yleensä nopeuttaa prosessia.
Laukussa
Insilico ei ole yksin tutkimassa uusia tapoja huumeiden löytämiseksi, eikä tämä ole uusi kiinnostava alue. Viime vuonna Harvard-ryhmä julkaisi AI-tutkimuksen, joka vastaavasti valitsee ehdokkaat huumeista. Ohjelmisto koulutti 250 000 lääkemolekyyliä ja käytti asiantuntemuksensa avulla uusia molekyylejä, jotka sekoittivat olemassa olevia lääkkeitä ja tekivät ehdotuksia haluttujen ominaisuuksien perusteella. Kuten MIT Technology Review toteaa, saadut tulokset eivät kuitenkaan aina ole merkityksellisiä tai syntetisoitu helposti laboratoriossa, ja näiden tulosten laatu, kuten aina, on yhtä korkea kuin alun perin toimitettujen tietojen laatu.
Stanfordin kemian professori Vijay Pande sanoo, että kuvilla, puheella ja tekstillä - jotka ovat tällä hetkellä syvän oppimisen aiheita - on hyvä ja puhdas tieto. Mutta toisaalta kemian tiedot on edelleen optimoitu syvälle oppimiseen. Vaikka julkisia tietokantoja on olemassa, suuri osa tiedoista elää edelleen yksityisten yritysten suljettujen ovien takana.
Kaikkien esteiden voittamiseksi Zhavoronkovin yritys on keskittynyt teknologian validointiin. Mutta tänä vuonna lääketeollisuuden skeptisyys näyttää antavan tietä kiinnostukselle ja investoinneille. Jopa Google voi murtautua kilpailuun.
AI: n ja laitteiston edetessä suurin potentiaali on vielä hyödynnettävä. Ehkä yhtenä päivänä kaikki lääkealueen 1060 molekyyliä ovat käytettävissämme.
Ilja Khel