Künstliche Intelligenz wird verwendet, um ein Molekül zu erstellen, das gegen Fibrose kämpfen könnte

Die Erstellung neuer Medikamente ist ein komplexer Prozess, der Jahre der Forschung und Milliarden von Dollar erfordern kann. Es ist jedoch ein wichtiger Investition für die Gesundheit der Menschen. Künstliche Intelligenz könnte die Entdeckung neuer Medikamente einfacher und wesentlich schneller machen, wenn die jüngsten Arbeiten des Startups Insilico Medicine weiterhin Fortschritte machen. Wie von SingularityHub berichtet, hat das Startup kürzlich künstliche Intelligenz verwendet, um ein Molekül zu entwerfen, das gegen Fibrose kämpfen könnte.

Da der Prozess der Entdeckung neuer Moleküle für ein Medikament komplex und zeitaufwendig ist, suchen Wissenschaftler und Ingenieure ständig nach Möglichkeiten, um es zu beschleunigen. Die Idee, Computer zu verwenden, um neue Medikamente zu entdecken, ist nichts Neues, da das Konzept bereits seit Jahrzehnten existiert. Allerdings war der Fortschritt auf diesem Gebiet langsam, da Ingenieure Schwierigkeiten hatten, die richtigen Algorithmen für die Medikamentenerstellung zu finden.

Deep Learning hat begonnen, die AI-gesteuerte Medikamentenentdeckung viabler zu machen, da Pharma-Unternehmen in den letzten Jahren stark in AI-Startups investiert haben. Ein Unternehmen hat es geschafft, mit Hilfe von künstlicher Intelligenz ein Molekül zu entwerfen, das gegen Fibrose kämpfen könnte, und zwar in nur 46 Tagen. Insilico Medicine kombinierte zwei verschiedene Deep-Learning-Techniken, um dieses Ergebnis zu erzielen: Reinforcement Learning und generative adversarial networks (GANs).

Reinforcement Learning ist eine Methode des maschinellen Lernens, die das maschinelle Lernmodell dazu anregt, bestimmte Entscheidungen zu treffen, indem dem Netzwerk Feedback gegeben wird, das bestimmte Reaktionen hervorruft. Das Modell kann bestraft werden, wenn es unerwünschte Entscheidungen trifft, oder belohnt, wenn es erwünschte Entscheidungen trifft. Durch die Kombination von negativer und positiver Verstärkung wird das Modell in die richtige Richtung gelenkt, und es wird tendenziell Entscheidungen treffen, die die Bestrafung minimieren und die Belohnung maximieren.

Generative adversarial networks sind “adversarial”, weil sie aus zwei verschiedenen neuronalen Netzen bestehen, die gegeneinander ausgetragen werden. Die beiden Netze werden mit Beispielen von Objekten trainiert, häufig Bildern. Die Aufgabe des einen Netzes ist es, ein gefälschtes Objekt zu erstellen, das dem echten Objekt so ähnlich ist, dass es mit diesem verwechselt werden kann. Die Aufgabe des zweiten Netzes ist es, gefälschte Objekte zu erkennen. Die beiden Netze versuchen, das andere Netz zu überbieten, und da sie beide ihre Leistung steigern, um das andere Netz zu überwinden, führt dies zu einem virtuellen Wettbewerb, bei dem das gefälschte Modell Objekte erzeugt, die fast nicht von den echten zu unterscheiden sind.

Indem beide GANs und Reinforcement-Learning-Algorithmen kombiniert wurden, konnten die Forscher ihre Modelle dazu bringen, neue Medikamentenmoleküle zu erzeugen, die extrem ähnlich zu bereits existierenden therapeutischen Medikamenten sind.

Die Ergebnisse von Insilico Medicines Experimenten mit AI-gesteuerter Medikamentenentdeckung wurden kürzlich in der Zeitschrift Nature Biotechnology veröffentlicht. In dem Artikel diskutieren die Forscher, wie die Deep-Learning-Modelle trainiert wurden. Die Forscher nahmen Darstellungen von Molekülen, die bereits in Medikamenten verwendet werden, um Proteine zu behandeln, die an idiopathischer pulmonaler Fibrose (IPF) beteiligt sind. Diese Moleküle wurden als Grundlage für die Ausbildung verwendet, und die kombinierten Modelle konnten etwa 30.000 mögliche Medikamentenmoleküle erzeugen.

Die Forscher sortierten dann die 30.000 Kandidatenmoleküle aus und wählten die sechs vielversprechendsten Moleküle für Laborversuche aus. Diese sechs Finalisten wurden im Labor synthetisiert und in einer Reihe von Tests verwendet, die ihre Fähigkeit zur Zielgerichteten Behandlung des IPF-Proteins überwachten. Ein Molekül schien besonders vielversprechend, da es die Art von Ergebnissen lieferte, die in einem Medikament erwünscht sind.

Es ist wichtig zu beachten, dass das in dem Experiment verwendete Fibrose-Medikament bereits umfassend erforscht wurde, mit mehreren wirksamen Medikamenten, die bereits existieren. Die Forscher konnten auf diese Medikamente zurückgreifen, und dies gab dem Forschungsteam einen Vorteil, da sie eine große Menge an Daten hatten, auf die sie ihre Modelle trainieren konnten. Dies gilt jedoch nicht für viele andere Krankheiten, und als Ergebnis gibt es eine größere Lücke, die geschlossen werden muss.

Ein weiterer wichtiger Punkt ist, dass das aktuelle Medikamentenentwicklungsmodell des Unternehmens nur den initialen Entdeckungsprozess behandelt und dass die von ihrem Modell erzeugten Moleküle noch viele Anpassungen und Optimierungen erfordern, bevor sie möglicherweise für klinische Studien verwendet werden können.

Laut Wired gibt der CEO von Insilico Medicine, Alex Zhavornokov, zu, dass ihr AI-gesteuerter Medikament noch nicht für den Einsatz im Feld bereit ist, da die aktuelle Studie nur ein Beweis des Konzepts ist. Das Ziel des Experiments war es, zu sehen, wie schnell ein Medikament mit Hilfe von AI-Systemen entworfen werden kann. Zhavornokov betont jedoch, dass die Forscher in der Lage waren, ein potenziell nützliches Molekül viel schneller zu entwerfen, als sie es mit herkömmlichen Medikamentenentdeckungsmethoden hätten tun können.

Trotz der Einschränkungen stellt Insilico Medicines Forschung immer noch einen bemerkenswerten Fortschritt in der Verwendung von künstlicher Intelligenz zur Erstellung neuer Medikamente dar. Die Verfeinerung der in der Studie verwendeten Techniken könnte die Zeit, die für die Entwicklung eines neuen Medikaments benötigt wird, wesentlich verkürzen. Dies könnte besonders nützlich sein in einer Ära, in der antibiotikaresistente Bakterien sich ausbreiten und viele zuvor wirksame Medikamente ihre Wirksamkeit verlieren.