AI Použita K Vytvoření Molekuly Léčiva, Která Může Bojovat Proti Fibróze

Vytváření nových léčiv je složitý proces, který může trvat roky výzkumu a miliardy dolarů. Přesto je to důležité investice pro zdraví lidí. Umělé inteligence by mohla potenciálně usnadnit a podstatně urychlit objev nových léků, pokud bude pokračovat pokrok v nedávné práci startupu Insilico Medicine. Jak uvádí SingularityHub, startup na umělou inteligenci nedávno využil AI k navržení molekuly, která by mohla bojovat proti fibróze.

Vzhledem k tomu, jak je složitý a časově náročný proces objevování nových molekul pro lék, vědci a inženýři neustále hledají způsoby, jak urychlit jej. Nápad použití počítačů k pomoci při objevování nových léků není ničím novým, protože tento koncept existuje již desetiletí. Přesto byl pokrok v této oblasti pomalý, protože inženýři bojují s nalezením správných algoritmů pro tvorbu léků.

Hluboké učení začalo dělat AI-poháněné objevování léků více životaschopným, s farmaceutickými společnostmi, které investují大量ně do startupů na umělou inteligenci v posledních letech. Jedna společnost se podařilo použít AI k navržení molekuly, která by mohla bojovat proti fibróze, a to za pouhých 46 dní, aby vytvořila molekulu podobnou terapeutickým lékům. Insilco Medicine kombinoval dvě různé techniky hlubokého učení, aby dosáhla tohoto výsledku: učení s posilováním a generativní adversativní sítě (GAN).

Učení s posilováním je metoda strojového učení, která podporuje model strojového učení, aby činil bestimmá rozhodnutí, poskytováním síti zpětné vazby, která vyvolává určitou reakci. Model může být potrestán za činění nežádoucích voleb nebo odměněn za činění žádoucích voleb. Použitím kombinace negativní a pozitivní posilování je model směrován k činění žádoucích rozhodnutí, a bude se ubírat k činění rozhodnutí, která minimalizují trestání a maximalizují odměnu.

Zatímco generativní adversativní sítě jsou “adversativní”, protože se skládají ze dvou různých neuronových sítí, které jsou proti sobě. Tyto dvě sítě jsou dány příklady objektů k trénování, často obrázky. Úkolem jedné sítě je vytvořit padělaný objekt, něco dostatečně podobného skutečnému objektu, aby jej bylo možné zaměnit za pravý článek. Úkolem druhé sítě je detekovat padělané objekty. Tyto dvě sítě se snaží překonat druhou síť, a protože obě sítě zvyšují svou výkonnost, aby překonaly druhou síť, vede tato virtuální zbrojní soutěž k tomu, že padělaný model generuje objekty, které jsou téměř nerozeznatelné od skutečného článku.

Kombinací obou GAN a učení s posilováním byli výzkumníci schopni mít své modely produkovat nové molekuly léků extrémně podobné již existujícím terapeutickým lékům.

Výsledky experimentů Insilico Medicine s objevováním léků pomocí AI byly nedávno publikovány v časopise Nature Biotechnology. Ve článku výzkumníci diskutují, jak byly hluboké učení modely trénovány. Výzkumníci vzali reprezentace molekul již používaných v lécích, aby zpracovali proteiny zapojené do idiopatické plicní fibrózy nebo IPF. Tyto molekuly byly použity jako základ pro trénování a kombinované modely byly schopny generovat kolem 30 000 možných molekul léků.

Výzkumníci poté prošli 30 000 kandidátních molekul a vybrali šest nejperspektivnějších molekul pro laboratorní testování. Tyto šest finalistů byly syntetizovány v laboratoři a použity v řadě testů, které sledovaly jejich schopnost cílit na protein IPF. Jedna molekula, zejména, se zdála být perspektivní, protože dodala typ výsledků, který je požadován u léčiva.

Je důležité poznamenat, že lék na fibrózu cílený v experimentu byl již rozsáhle prozkoumán, s mnoha účinnými léky již existujícími pro něj. Výzkumníci mohli odkázat na tyto léky, a to jim dalo výzkumnému týmu výhodu, protože měli大量nou část dat k trénování svých modelů. To neplatí pro mnoho jiných nemocí, a v důsledku toho je zde větší mezera, kterou je třeba překlenout.

Další důležitou skutečností je, že současný model vývoje léků společnosti se zabývá pouze počátečním procesem objevování, a že molekuly generované jejich modelem budou stále vyžadovat mnoho úprav a optimalizací, než budou moci být potenciálně použity pro klinické zkoušky.

Podle Wired, CEO Insilico Medicine Alex Zhavornokov acknowledges, že jejich AI-poháněný lék není připraven pro použití, s aktuální studií být pouze proof of concept. Cílem tohoto experimentu bylo zjistit, jak rychle lze navrhnout lék s pomocí AI systémů. Přesto Zhavornokov poznamenává, že výzkumníci byli schopni navrhnout potenciálně užitečnou molekulu mnohem rychleji, než by mohli, kdyby použili běžné metody objevování léků.

Přes tyto výhrady výzkumu Insilico Medicine stále představuje pozoruhodný pokrok v použití AI k vytváření nových léků. Upravení technik použitých ve studii by mohlo podstatně zkrátit dobu potřebnou k vývoji nového léku. To by mohlo být especialmente užitečné v době, kdy se šíří bakterie rezistentní na antibiotika a mnoho dříve účinných léků ztrácí svou účinnost.