Brug af AI til at oprette en lægemiddelmolekyle, der kan bekæmpe fibrose

Oprettelse af nye lægemidler er en kompleks proces, der kan tage år og milliarder af dollars. Det er dog en vigtig investering i folks sundhed. Kunstig intelligens kan muligvis gøre opdagelsen af nye lægemidler lettere og hurtigere, hvis det nyeste arbejde fra startup-virksomheden Insilico Medicine fortsætter med at gøre fremskridt. Ifølge SingularityHub har AI-startup-virksomheden nyligt brugt AI til at designe en molekyle, der kan bekæmpe fibrose.

Da processen med at opdage nye molekyler til et lægemiddel er så kompleks og tidskrævende, søger videnskabsfolk og ingeniører konstant efter måder at accelerere den på. Ideen om at bruge computere til at hjælpe med at opdage nye lægemidler er ikke ny, da konceptet har eksisteret i årtier. Fremgangen på dette område har dog været langsom, og ingeniører har kæmpet med at finde de rigtige algoritmer til lægemiddel-opdagelse.

Deep learning har gjort AI-drevet lægemiddel-opdagelse mere livskraftig, og lægemiddel-virksomheder har investeret massivt i AI-startups de seneste par år. En virksomhed har formået at bruge AI til at designe en molekyle, der kan bekæmpe fibrose, og det tog kun 46 dage at opfinde en molekyle, der ligner terapeutiske lægemidler. Insilico Medicine kombinerede to forskellige deep learning-teknikker for at opnå dette resultat: forstærkningslæring og generative adversarial nets (GANs).

Forstærkningslæring 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 guides modellen mod at træffe ønskede beslutninger, og den vil tendere mod at træffe beslutninger, der minimiserer straf og maksimerer belønning.

Imens består generative adversarial nets af to forskellige neurale netværk, der er sat op imod hinanden. De to netværk får eksempler på objekter at træne på, ofte billeder. Det ene netværks opgave er at oprette en falsk objekt, noget, der er tilstrækkeligt lignende det rigtige objekt til, at det kan forveksles med den ægte vare. Det andet netværks opgave 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 den falske model producerer objekter, der er næsten umulige at skelne fra den rigtige vare.

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

Resultaterne af Insilico Medicines eksperimenter med AI-lægemiddel-opdagelse 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 lungfibrose eller IPF. Disse molekyler blev brugt som basis for træning, og de kombinerede modeller kunne generere omkring 30.000 mulige lægemiddel-molekyler.

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

Det er vigtigt at bemærke, at fibrose-lægemidlet, der var målet for eksperimentet, allerede er blevet omfattende forsket, og der findes allerede flere effektive lægemidler til det. Forskerne kunne referere til disse lægemidler, og det gav forskningsholdet 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 gap at lukke på disse behandlinger.

En anden vigtig faktor er, at virksomhedens nuværende lægemiddel-udviklingsmodel 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 blot er et bevis på konceptet. Formålet med dette eksperiment var at se, hvor hurtigt et lægemiddel kunne designedes med AI-systemers assistance. Zhavornokov bemærker dog, at forskerne kunne designe en potentielt nyttig molekyle meget hurtigere, end de kunne have gjort, hvis de havde brugt almindelige lægemiddel-opdagelsesmetoder.

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