Интересные факты

Искусственный интеллект погрузится во вселенную молекул в поиске удивительных лекарств

Темной ночью, вдали от городского света, звезды Млечного Пути кажутся несметными. Однако из любой точки невооруженному глазу видать не больше 4500 звезд. В нашей же галактике их 100-400 миллиардов, галактик во Вселенной и того больше. Выходит, в ночном небе не этак много звезд. Однако даже это число открывает перед нами глубокую подноготную… лекарств и препаратов. Дело в том, что число возможных органических соединений с лекарственными способностями превышает число звезд во Вселенной более чем на 30 порядков. И химические конфигурации, которые создают ученые из существующих медикаментов, сродни звездам, которые мы могли бы увидать в центре города ночью.

Розыск всех возможных лекарств — непосильная задача для человека, будто и исследование всего физического пространства, и даже если бы мы могли, большая доля обнаруженного не соответствовала бы нашим целям. Тем не менее дума о том, что чудесные лекарства могут исчезать среди изобилия, слишком заманчива, чтоб ее игнорировать.

Собственно поэтому нам стоит использовать ненастоящий интеллект, который сможет трудиться больше и ускорить открытие. Этак считает Алекс Жаворонков, выступивший на Exponential Medicine в Сан-Диего на прошлой неделе. Это применение может стать крупнейшим для ИИ в медицине.

Собаки, диагноз и лекарства

Жаворонков — CEO Insilico Medicine и CSO Biogerontology Research Foundation. Insilico — одинешенек из множества стартапов, разрабатывающих ИИ, способный ускорить открытие новых лекарств и препаратов.

За последние годы, рассказал Жаворонков, известная техника машинного обучения — глубокое обучение — осуществила прогресс на нескольких фронтах. Алгоритмы, способные обучаться игре в видеоигры — вроде AlphaGo Zero или покериста Carnegie Mellon — представляют самый большенный предмет интереса. Но распознавание закономерностей — вот что дало мощный толчок глубокому обучению, когда алгоритмы машинного обучения наконец-то начали отличать кошек от собак и мастерить это достаточно быстро и точно.

В медицине алгоритмы глубокого обучения, обученные по базам данных медицинских снимков, могут выявлять опасные для жизни заболевания с равной или большей точностью, чем специалисты-люд. Есть даже предположение, что ИИ, если мы научимся ему верить, может быть бесценным при диагностике болезни. И будто отметил Жаворонков, грядет больше приложений и послужной список будет лишь расти.

«Tesla уже выводит автомобили на улицу», говорит Жаворонков. «Трех-, четырехлетняя технология уже перевозит пассажиров из пункта А в пункт Б на скорости 200 километров час; одна промах — и ты мертв. Однако люди доверяют свои жизни этой технологии».

«Почему бы не мастерить того же в фармацевтике?».

Пробы и ошибки, опять и снова

В фармацевтических исследованиях ИИ не придется водить автомашина. Он станет ассистентом, какой в паре с химиком или двумя сможет ускорить открытие препаратов, просматривая больше вариантов в поисках лучших кандидатов.

Пространство для оптимизации и повышения эффективности попросту огромное, считает Жаворонков.

Розыск препаратов — кропотливое и дорогостоящее дело. Химики просеивают десятки тысяч возможных соединений в поисках самых многообещающих. Из них лишь отдельный уходят на дальнейшее изучение, и еще меньше будут протекать испытания на людях, а из этих вообще крохи будут одобрены к дальнейшему использованию.

Весь этот процесс может занять немало лет и стоить сотни миллионов долларов.

Это проблема касается больших данных (big data), а глубокое обучение преуспевает в работе с большими данными. Первые приложения показали, что системы ИИ на основе глубокого обучения способны находить едва-едва заметные закономерности в гигантских выборках данных. Хотя производители лекарств уже используют программное обеспечение для просеивания соединений, такое программное обеспечение требует четких правил, написанных химиками. Плюсы ИИ в данном деле — его способность обучаться и совершенствоваться самостоятельно.

Похожие новости  Страна с сюрпризами. 25 удивительных фактов о Швейцарии

«Существует две стратегии инноваций на базе ИИ в фармацевтике, которые обеспечат вас лучшими молекулами и быстрым одобрением», говорит Жаворонков. «Один ищет иглу в стоге сена, а иной создает новую иглу».

Чтоб найти иголку в стоге сена, алгоритмы обучаются на больших база данных молекул. Затем они ищут молекулы с подходящими свойствами. Однако создать новую иглу? Эту возможность предоставляют генеративные состязательные сети, на которых специализируется Жаворонков.

Такие алгоритмы ставят две нейронные сети товарищ против друга. Одна генерирует осмысленный итог, а другая решает, является ли этот итог истинным или ложным, говорит Жаворонков. В совокупности эти сети генерируют новые объекты, такие будто текст, изображения или, в данном случае, молекулярные структуры.

«Мы начали использовать эту конкретную технологию, чтоб глубокие нейронные сети вообразили новые молекулы, чтоб сделать ее идеальной с самого основы. Нам нужны идеальные иглы», говорит Жаворонков. «Вы можете адресоваться к этой генеративной состязательной сети и попросить ее создать молекулы, которые ингибируют белок Х в концентрации Y, с наивысшей жизнеспособностью, заданными характеристиками и минимальными побочными эффектами».

Жаворонков полагает, что ИИ может найти или изготовить больше иголок из множества молекулярных возможностей, отпустить химиков-людей, чтобы те могли сосредоточиться на синтезе лишь самых перспективных. Если это сработает, будто надеется он, мы сможем повысить количество попаданий, минимизировать промахи и в целом ускорить процесс.

Дело в шляпе

Insilico не единственная занимается поиском новых путей к созданию лекарств, и это не новая район интересов. В прошлом году гарвардская группа опубликовала работу на тему ИИ, какой аналогичным образом подбирает кандидатуры из лекарств. Программное обеспечение обучилось на 250 000 лекарственных молекулах и использовало собственный опыт для создания новых молекул, которые смешивали существующие препараты и делали предложения на основе желаемых свойств. Однако, будто отмечал MIT Technology Review, полученные результаты не вечно значимы или легко синтезируются в лаборатории, и качество этих результатов, будто всегда, высоко настолько, как качественные предоставленные изначально данные.

Стэнфордский профессор Химии Виджай Панде говорит, что у изображений, речи и текста — которые на этот момент являются предметами интереса глубокого обучения — хорошие и чистые данные. Однако химические данные, с другой стороны, по-прежнему оптимизируются для глубокого обучения. Кроме того, хотя публичные базы данных существуют, большая доля данных все еще живет за закрытой дверью частных компаний.

Чтоб преодолеть все препятствия, компания Жаворонкова сосредоточена на проверке технологии. Однако в этом году скептицизм в фармацевтической отрасли, похоже, сменяется интересом и инвестициями. Даже Google может ворваться в гонку.

По мере того, будто развивается ИИ и аппаратное обеспечение, максимальный потенциал еще должен быть раскрыт. Возможно, раз, все 1060 молекул в области препаратов окажутся в нашем распоряжении.

Hi-News.ru — Новости высоких технологий.

Добавить комментарий