Použití umělé inteligence pro vytvoření molekuly, která by mohla bojovat proti fibróze

Vytvoření nových léčiv je složitý proces, který může trvat roky výzkumu a miliardy dolarů. Přesto je to důležité investice pro zdraví lidí. Umělá inteligence by mohla potenciálně usnadnit objevování nových léčiv a podstatně urychlit jej, pokud bude recentní práce startupu Insilico Medicine pokračovat. Jak uvádí SingularityHub, tento startup využil umělou inteligenci 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 jej urychlit. Nápad použití počítačů pro pomoc při objevování nových léčiv není nic nového, protože tento koncept existuje již desetiletí. Nicméně, pokrok v této oblasti byl pomalý, protože inženýři bojují s nalezením správných algoritmů pro tvorbu léků.

Hluboké učení začalo dělat umělou inteligenci při objevování léků více životaschopnou, protože farmaceutické společnosti investují大量ně do startupů s umělou inteligencí v posledních letech. Jedna společnost se podařilo použít umělou inteligenci k navržení molekuly, která by mohla bojovat proti fibróze, a to za pouhých 46 dní. Insilico Medicine kombinovala dvě různé techniky hlubokého učení, aby dosáhla tohoto výsledku: učení s posilováním a generativní adversativní sítě (GANs).

Učení s posilováním je metoda strojového učení, která podporuje model strojového učení k tomu, aby činil určitá rozhodnutí, poskytováním síti zpětné vazby, která vyvolává určitou reakci. Model může být potrestán za činění nežádoucích voleb nebo odměněn za činění žádoucích voleb. Používáním kombinace negativní a pozitivní zpětné vazby je model veden 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 pro trénink, často obrázky. Úkolem jedné sítě je vytvořit padělaný objekt, něco dostatečně podobného skutečnému objektu, aby ho bylo možné zaměnit za skutečný článek. Úkolem druhé sítě je detekovat padělané objekty. Tyto dvě sítě se snaží překonat druhou síť a když obě sítě zvyšují své výkony, aby překonaly druhou síť, vede to k tomu, že model generuje objekty, které jsou téměř nerozeznatelné od skutečných.

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

Výsledky experimentů Insilico Medicine s umělou inteligencí při objevování léků 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 pro zpracování proteinů zapojených do idiopatické plicní fibrózy nebo IPF. Tyto molekuly byly použity jako základ pro trénink 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 se zdála být besonders perspektivní, protože dodala výsledky, které jsou požadovány u léčivého přípravku.

Je důležité poznamenat, že lék na fibrózu, který byl cílem experimentu, již byl rozsáhle prozkoumán, s mnoha účinnými léky, které již existují pro něj. Výzkumníci mohli odkazovat na tyto léky a to jim dalo výzkumnému týmu výhodu, protože měli大量ně dat pro trénink svých modelů. To však neplatí pro mnoho jiných nemocí a v důsledku toho je zde větší mezera, kterou je třeba uzavřít.

Další důležitou skutečností je, že současný model vývoje léků společnosti zahrnuje pouze počáteční proces objevování a že molekuly generované jejich modelem budou stále vyžadovat mnoho úprav a optimalizací, než budou moci být potenciálně použity pro klinické testy.

Podle Wired CEO Insilico Medicine Alex Zhavornokov uznává, že jejich umělá inteligence při objevování léků ještě není připravena pro pole, s aktuálním studiem pouze jako důkazem konceptu. Cílem tohoto experimentu bylo zjistit, jak rychle lze navrhnout lék s pomocí umělých inteligentních systémů. Nicméně, Zhavornokov poznamenává, že výzkumníci byli schopni navrhnout potenciálně užitečnou molekulu mnohem rychleji, než by mohli, kdyby používali běžné metody objevování léků.

Přes tyto výhrady výzkumu Insilico Medicine stále představuje pozoruhodný pokrok v používání umělých inteligencí pro tvorbu nových léků. Upravování technik použitých ve studii by mohlo podstatně zkrátit dobu potřebnou pro vývoj nového léku. To by se mohlo ukázat jako besonders užitečné v éře, kdy se šíří bakterie rezistentní vůči antibiotikům a mnoho dříve účinných léků ztrácí svou účinnost.