KI wird verwendet, um ein Wirkstoffmolekül zu erstellen, das Fibrose bekämpfen könnte

Die Erstellung neuer Medikamente ist ein komplexer Prozess, der Jahre der Forschung und Milliarden von Dollar erfordern kann. Es ist jedoch auch eine wichtige Investition für die Gesundheit der Menschen. Künstliche Intelligenz könnte die Entdeckung neuer Medikamente möglicherweise einfacher und wesentlich schneller machen, wenn die jüngste Arbeit des Startups Insilico Medicine Fortschritte macht. Wie von SingularityHub berichtet, hat das KI-Startup kürzlich KI verwendet, um ein Molekül zu entwerfen, das Fibrose bekämpfen könnte.

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

Deep Learning hat begonnen, die KI-gesteuerte Medikamentenentdeckung praktikabler zu machen, da Pharmaunternehmen in den letzten Jahren stark in KI-Startups investiert haben. Ein Unternehmen hat es geschafft, KI zu verwenden, um ein Molekül zu entwerfen, das Fibrose bekämpfen könnte, und benötigte nur 46 Tage, um ein Molekül zu entwerfen, das therapeutischen Medikamenten ähnelt. Insilco Medicine kombinierte zwei verschiedene Deep-Learning-Techniken, um dieses Ergebnis zu erzielen: Reinforcement Learning und generative adversarial networks (GANs).

Reinforcement Learning ist eine maschinelle Lernmethode, die das maschinelle Lernmodell dazu anregt, bestimmte Entscheidungen zu treffen, indem dem Netzwerk Feedback gegeben wird, das bestimmte Reaktionen hervorruft. Das Modell kann für unerwünschte Entscheidungen bestraft oder für erwünschte Entscheidungen belohnt werden. Durch die Verwendung einer Kombination aus negativer und positiver Verstärkung wird das Modell in Richtung erwünschter Entscheidungen geführt und es wird tendenziell Entscheidungen treffen, die die Bestrafung minimieren und die Belohnung maximieren.

Während generative adversarial networks “adversarial” sind, 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, etwas, das dem echten Objekt ähnlich genug ist, um mit diesem verwechselt zu werden. 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 dieser virtuelle Wettbewerb dazu, dass das gefälschte Modell Objekte erzeugt, die kaum von den echten zu unterscheiden sind.

Durch die Kombination von GANs und Reinforcement-Learning-Algorithmen 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 KI-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 oder 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 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 verfolgten, das IPF-Protein zu zielen. 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 dafür existieren. Die Forscher konnten auf diese Medikamente zurückgreifen, und dies gab dem Forschungsteam einen Vorteil, da sie eine erhebliche Menge an Daten hatten, um ihre Modelle zu trainieren. 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 benötigen, bevor sie möglicherweise für klinische Studien verwendet werden können.

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

Trotz der Einschränkungen stellt die Forschung von Insilico Medicine immer noch einen bemerkenswerten Fortschritt in der Verwendung von KI 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, erheblich verkürzen. Dies könnte sich besonders nützlich erweisen, in einer Ära, in der antibiotikaresistente Bakterien sich ausbreiten und viele bisher wirksame Medikamente ihre Wirksamkeit verlieren.