Sötét éjszaka, távol a város fényétől, a Tejút csillagai kiszámíthatatlannak tűnnek. De bármely ponton legfeljebb 4500 csillag látható szabad szemmel. Galaxisunkban 100-400 milliárd van, még több galaxis van az Univerzumban. Kiderül, hogy az éjszakai égbolton nincs sok csillag. Mégis ez a szám nyit előttünk egy mély betekintést is … kábítószerek és kábítószerek. A helyzet az, hogy a gyógyhatású tulajdonságú szerves vegyületek száma több mint 30 nagyságrenddel meghaladja az univerzumban található csillagok számát. És a kémiai konfigurációk, amelyeket a tudósok meglévő gyógyszerekből hoznak létre, hasonlítanak a csillagokra, amelyeket éjjel a belvárosban láthatunk.
Az összes lehetséges drog megtalálása az emberek számára túl nagy feladat, csakúgy, mint az egész fizikai tér vizsgálata, és még ha meg is tudnánk, akkor a felfedezett legtöbbjük nem felelne meg céljainknak. Az a gondolat, miszerint a csodálatos gyógyszerek a bőség alatt állhatnak, túlságosan csábító ahhoz, hogy figyelmen kívül hagyjuk.
Ezért kellene olyan mesterséges intelligenciát használni, amely keményebben dolgozhat és felgyorsíthatja a felfedezést. Így mondja Alex Zhavoronkov, aki a múlt héten beszélt az exponenciális gyógyászatban San Diegóban. Ez az alkalmazás lehet a legnagyobb az AI-hez az orvostudományban.
Kutyák, diagnózis és gyógyszerek
Zhavoronkov - az Insilico Medicine és a CSO Biogerontológiai Kutatási Alapítvány vezérigazgatója. Az Insilico az AI-t fejlesztő startupok egyike, amely felgyorsíthatja az új gyógyszerek és gyógyszerek felfedezését.
Zhavoronkov szerint az utóbbi években a híres gépi tanulási technika - a mélytanulás - számos fronton haladt előre. A videojátékok megtanulására képes algoritmusok - mint például az AlphaGo Zero vagy a pókerjátékos Carnegie Mellon - a legnagyobb érdeklődés. A mintázatfelismerés azonban erőteljes lendületet adott a mély tanulásnak, amikor a gépi tanulási algoritmusok végül elkezdték megkülönböztetni a macskákat a kutyáktól, gyorsan és pontosan.
Az orvostudományban az orvosi képek adatbázisaiban kiképzett mély tanulási algoritmusok azonos vagy nagyobb pontossággal képesek felderíteni az életveszélyes betegségeket, mint az emberi szakemberek. Még a spekuláció is az, hogy az AI, ha megtanuljuk bízni benne, felbecsülhetetlen értékű lehet a betegség diagnosztizálásában. És amint Zhavoronkov megjegyezte, több pályázat érkezik, és a múltbeli eredmények csak növekedni fognak.
Promóciós videó:
„A Tesla már kihozza az autókat az utcára” - mondja Zhavoronkov. „A három- és négyéves technológia már óránként 200 kilométer sebességgel szállítja az utasokat az A pontról a B pontra; egy hiba, és halott vagy. De az emberek életükbe bíznak ebben a technológiában."
"Miért nem csinálják ugyanezt a gyógyszerekben?"
Próbáljon meg kudarcot, újra és újra
A gyógyszerészeti kutatásban az AI-nek nem kell autót vezetnie. Asszisztenssé válik, aki kémiai vagy kettővel párosítva felgyorsíthatja a drogfedezetek felfedezését, ha több lehetőséget keresi fel jobb jelöltek keresésekor.
Óriási hely van az optimalizálás és a hatékonyság javítása érdekében - mondta Zhavoronkov.
A drogok megtalálása fáradságos és költséges vállalkozás. A vegyészek tízezer lehetséges vegyületen átszitálják a legígéretesebbet. Ezek közül csak néhány folyik további tanulmányozáshoz, és még kevesebbet tesztelnek emberekre, és ezek közül a morzsákat általában jóváhagyják további felhasználásra.
Ez a teljes folyamat sok évet vehet igénybe, és százmillió dollárba kerülhet.
Ez nagy adatprobléma, és a mély tanulás kiválóan nagy adatot jelent. Az első alkalmazások azt mutatták, hogy a mély tanuláson alapuló AI rendszerek képesek voltak finom mintákat találni az óriási adatmintákban. Noha a gyógyszergyártók már használnak szoftvert a vegyületek szitálására, az ilyen szoftverhez egyértelmű szabályokat igényelnek a vegyészek. Az AI előnyei ebben a kérdésben a tanulás és fejlesztés képessége.
„A gyógyszeriparban az AI-innovációnak két stratégiája van, amelyek jobb molekulákat és gyorsabb jóváhagyást biztosítanak Önnek” - mondja Zhavoronkov. "Az egyik tűt keres a szénakazalban, a másik pedig új tűt hoz létre."
Egy tű megtalálásához a szénakazalban az algoritmusokat nagy molekulák adatbázisán képzik. Ezután megfelelő tulajdonságokkal rendelkező molekulákat keresnek. De hozzon létre egy új tűt? Ezt a lehetőséget a generációs, egymással versengő hálózatok biztosítják, amelyekre Zhavoronkov szakosodott.
Az ilyen algoritmusok két idegi hálózatot vetnek egymáshoz. Az egyik értelmes eredményt hoz, a másik pedig úgy dönt, hogy ez az eredmény igaz vagy hamis - mondja Zhavoronkov. Ezek a hálózatok együttesen új objektumokat generálnak, például szöveget, képeket vagy ebben az esetben molekuláris szerkezeteket.
„Ezt a konkrét technológiát kezdtük el használni, hogy a mély ideghálózatok új molekulákat képzeljenek el annak érdekében, hogy az eleinte tökéletes legyen. Tökéletes tűkre van szükségünk”- mondja Zhavoronkov. "Fordulhat ehhez a generációs kontrasztali hálózathoz, és kérheti, hogy hozzon létre molekulákat, amelyek gátolják az X fehérjét Y koncentrációban, a legnagyobb életképességgel, a kívánt tulajdonságokkal és minimális mellékhatásokkal."
Zhavoronkov úgy véli, hogy az AI molekuláris lehetőségek sokaságából több tűt találhat vagy gyárthat, ezáltal felszabadítva az emberi vegyészeket, hogy csak a legígéretesebbek szintetizálására összpontosítsanak. Reméli, hogy ha működik, növelhetjük a találatok számát, minimalizálhatjuk a hiányosságokat, és általában felgyorsíthatjuk a folyamatot.
A táskában
Az Insilico nem egyedül kutatja a drogfedezetek új lehetőségeit, és ez nem új érdeklődési terület. Tavaly egy Harvard-csoport kiadott egy papírt az AI-ről, amely hasonlóképpen választja ki a jelölteket a drogoktól. A szoftver 250 000 gyógyszermolekulán képzett, és szakértelmével új molekulákat készített, amelyek összekeverték a meglévő gyógyszereket, és javaslatokat tettek a kívánt tulajdonságok alapján. Amint azt a MIT Technology Review megjegyezte, a kapott eredmények nem mindig értelmesek vagy könnyen szintetizálhatók a laboratóriumban, és ezeknek az eredményeknek a minősége, mint mindig, olyan magas, mint az eredetileg szolgáltatott adatok.
Vijay Pande, a Stanford Kémia professzora szerint a képek, a beszéd és a szöveg - amelyek jelenleg mély tanulási érdeklődés tárgyát képezik - jó és tiszta adatokkal rendelkeznek. A kémiai adatok viszont viszont továbbra is optimalizáltak a mély tanuláshoz. Ezen felül, bár léteznek nyilvános adatbázisok, az adatok nagy része továbbra is a magánvállalatok zárt ajtói mögött él.
Minden akadály leküzdése érdekében Zhavoronkov vállalat a technológia érvényesítésére összpontosít. De ebben az évben úgy tűnik, hogy a gyógyszeripar szkepticizmusa utat enged az érdeklődésnek és a beruházásoknak. Még a Google is betörhet a versenybe.
Az AI és a hardver fejlődésével továbbra is fel kell szabadítani a legnagyobb potenciált. Lehet, hogy egy nap a gyógyszer-domén mind a 1060 molekulája elérhető lesz.
Ilya Khel