AI bruges til at oprette et lægemiddelmolekyle, der kan bekæmpe fibrose

At oprette nye lægemidler er en kompleks proces, der kan tage år og milliarder af dollars. Det er dog også en vigtig investering i folks sundhed. Kunstig intelligens kan potentielt gøre opdagelsen af nye lægemidler lettere og væsentligt hurtigere, hvis startup-virksomheden Insilico Medicine fortsætter med at gøre fremskridt. Som rapporteret af SingularityHub, har AI-startup-virksomheden nylig brugt AI til at designe et molekyle, der kan bekæmpe fibrose.

Givet, hvor kompleks og tidskrævende processen med at opdage nye molekyler til et lægemiddel er, søger videnskabsfolk og ingeniører konstant efter måder at fremskynde den på. Ideen om at bruge computere til at hjælpe med at opdage nye lægemidler er ikke noget nyt, da konceptet har eksisteret i årtier. Fremgangen på dette område har dog været langsom, og ingeniører har kæmpet med at finde de rette algoritmer til lægemiddelproduktion.

Deep learning er begyndt at gøre AI-drevet lægemiddelopdagelse mere livskraftig, og lægemiddelvirksomheder har investeret massivt i AI-startups de seneste par år. Én virksomhed har formået at bruge AI til at designe et molekyle, der kan bekæmpe fibrose, og det tog kun 46 dage at opfinde et molekyle, der ligner terapeutiske lægemidler. Insilco Medicine kombinerede to forskellige deep learning-teknikker for at opnå dette resultat: forstærkninglæring og generative adversarial nets (GANs).

Forstærkninglæring er en maskinlæringsmetode, der opmuntrer maskinlæringsmodellen til at træffe bestemte beslutninger ved at give netværket feedback, der fremkalder bestemte reaktioner. Modellen kan straffes for at træffe uønskede valg eller belønnes for at træffe ønskede valg. Ved at bruge en kombination af både negativ og positiv forstærkning guidere modellen mod at træffe ønskede beslutninger, og den vil gå i retning af at træffe beslutninger, der minimiserer straf og maksimerer belønning.

Imens er generative adversarial nets “adversarielle”, fordi de består af to forskellige neurale netværk, der er sat op imod hinanden. De to netværk får eksempler på objekter til at træne på, ofte billeder. Det ene netværks job er at skabe et falsk objekt, noget, der er tilstrækkeligt lignende det rigtige objekt, så det kan forveksles med den ægte vare. Det andet netværks job er at opdage falske objekter. De to netværk prøver at overgå det andet netværk, og da de begge forbedrer deres præstation for at overgå det andet netværk, fører denne virtuelle våbenkapløb til, at det falske model genererer objekter, der er næsten umulige at skelne fra den rigtige vare.

Ved at kombinere både GANs og forstærkninglæring-algoritmer kunne forskerne få deres modeller til at producere nye lægemiddelmolekyler, der er ekstremt lignende allerede eksisterende terapeutiske lægemidler.

Resultaterne af Insilico Medicines eksperimenter med AI-lægemiddelopdagelse blev nyligt offentliggjort i tidsskriftet Nature Biotechnology. I artiklen diskuterer forskerne, hvordan de dybe læringsmodeller blev trænet. Forskerne tog repræsentationer af molekyler, der allerede blev brugt i lægemidler, til at håndtere proteiner involveret i idiopatisk pulmonal fibrose eller IPF. Disse molekyler blev brugt som grundlag for træning, og de kombinerede modeller kunne generere omkring 30.000 mulige lægemiddelmolekyler.

Forskerne gennemgik derefter de 30.000 kandidatmolekyler og valgte de seks mest lovende molekyler til laboratorietest. Disse seks finalister blev syntetiseret i laboratoriet og brugt i en række tests, der spored deres evne til at målrette IPF-proteinet. Ét molekyle, i særdeleshed, syntes lovende, da det leverede den type resultater, der er ønskede i et lægemiddel.

Det er vigtigt at bemærke, at det fibrose-lægemiddel, der var målet for eksperimentet, allerede er blevet omfattende forsket, med flere effektive lægemidler, der allerede findes til det. Forskerne kunne referere til disse lægemidler, og dette gav forskningholdet et forspring, da de havde en betydelig mængde data at træne deres modeller på. Dette gælder dog ikke for mange andre sygdomme, og som følge heraf er der en større lukning at lukke på disse behandlinger.

En anden vigtig faktum er, at virksomhedens nuværende lægemiddeludviklingsmodel kun omhandler den initielle opdagelsesproces, og at de molekyler, der genereres af deres model, stadig vil kræve mange justeringer og optimeringer, før molekylerne potentielt kan bruges til kliniske tests.

Ifølge Wired, anerkender Insilico Medicines CEO Alex Zhavornokov, at deres AI-drevne lægemiddel ikke er klar til feltbrug, og at den nuværende studie kun er et bevis på konceptet. Målet med dette eksperiment var at se, hvor hurtigt et lægemiddel kunne designes med AI-systemers assistance. Zhavornokov bemærker dog, at forskerne kunne designe et potentielt nyttigt molekyle meget hurtigere, end de kunne have gjort, hvis de havde brugt almindelige lægemiddelopdagelsesmetoder.

Trods disse forbehold repræsenterer Insilico Medicines forskning stadig en bemærkelsesværdig fremgang i brugen af AI til at oprette nye lægemidler. Forbedringen af de teknikker, der blev brugt i studiet, kunne væsentligt forkorte den tid, der kræves for at udvikle et nyt lægemiddel. Dette kunne vise sig at være særligt nyttigt i en æra, hvor antibiotikaresistente bakterier spreder sig, og mange tidligere effektive lægemidler mister deres potentiale.