Αλγόριθμοι Τεχνητής Νοημοσύνης Χρησιμοποιούνται για την Ανάπτυξη Φαρμάκων που Καταπολεμούν τα Ανθεκτικά στα Φάρμακα Βакτήρια

Μια από τις μεγαλύτερες προκλήσεις που αντιμετωπίζει η ιατρική βιομηχανία είναι τα ανθεκτικά στα φάρμακα βακτήρια. Hiện υπάρχουν περίπου 700.000 θάνατοι λόγω ανθεκτικών στα φάρμακα βακτηρίων και αναπτύσσονται περισσότερες στελέχη ανθεκτικών στα φάρμακα βακτηρίων. Οι επιστήμονες και οι μηχανικοί προσπαθούν να αναπτύξουν νέες μεθόδους για την καταπολέμηση των ανθεκτικών στα φάρμακα βακτηρίων. Một μέθοδος ανάπτυξης νέων αντιβιοτικών είναι η χρήση της τεχνητής νοημοσύνης και της μηχανικής μάθησης για την απομόνωση νέων ενώσεων που θα μπορούσαν να αντιμετωπίσουν τα νέα στελέχη των σούπερ-βακτηρίων.

Όπως αναφέρθηκε στο SingularityHub, ένα νέο αντιβιοτικό σχεδιάστηκε με τη βοήθεια της Τεχνητής Νοημοσύνης. Το αντιβιοτικό έχει ονομαστεί halicin, από την Τεχνητή Νοημοσύνη HAL από την ταινία 2001: Eine Odyssee im Weltraum. Το νεοαναπτυγμένο αντιβιοτικό αποδείχθηκε επιτυχημένο στην εξόντωση ορισμένων από τα πιο ανθεκτικά στελέχη των σούπερ-βακτηρίων. Το νέο αντιβιοτικό ανακαλύφθηκε μέσω της χρήσης αλγορίθμων μηχανικής μάθησης. Συγκεκριμένα, το μοντέλο μηχανικής μάθησης εκπαιδεύτηκε χρησιμοποιώντας ένα μεγάλο σύνολο δεδομένων που αποτελούνταν από περίπου 2.500 ενώσεις. Λίγο περισσότερο από το μισό των φαρμάκων που χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου ήταν φάρμακα που είχαν ήδη εγκριθεί από την FDA, ενώ το άλλο μισό του συνόλου εκπαίδευσης αποτελούνταν από φυσικά υπάρχουσες ενώσεις. Η ομάδα των ερευνητών điều chỉnhει τους αλγόριθμους για να προτεραιοποιήσει τις молέκουλες που έχουν ταυτόχρονα αντιβιοτικές ιδιότητες αλλά διαφορετικές από τις υπάρχουσες δομές των αντιβιοτικών. Έπειτα, εξέτασαν τα αποτελέσματα για να καθορίσουν ποίες ενώσεις θα ήταν ασφαλείς για την ανθρώπινη κατανάλωση.

Σύμφωνα με το The Guardian, το φάρμακο αποδείχθηκε εξαιρετικά αποτελεσματικό στην καταπολέμηση των ανθεκτικών στα φάρμακα βακτηρίων σε μια πρόσφατη μελέτη. Είναι τόσο αποτελεσματικό επειδή καταστρέφει το μεμβράνη των βακτηρίων, το οποίο απενεργοποιεί την ικανότητα των βακτηρίων να παράγουν ενέργεια. Για τα βακτήρια να αναπτύξουν άμυνες ενάντια στις επιδράσεις του halicin θα χρειαζόταν περισσότερες από μερικές γενετικές μεταλλάξεις, γεγονός που δίνει στο halicin μια μακροχρόνια διάρκεια. Η ερευνητική ομάδα επίσης έtested πώς το σύνθετο εκτελούσε σε ποντίκια, όπου ήταν σε θέση να εξοντώσει με επιτυχία ποντίκια που είχαν μολυνθεί με ένα στέλεχος βακτηρίων ανθεκτικών σε όλα τα τρέχοντα αντιβιοτικά. Με τα αποτελέσματα των μελετών να είναι τόσο υποσχόμενα, η ερευνητική ομάδα ελπίζει να συνεργαστεί με μια φαρμακευτική οντότητα και να αποδείξει ότι το φάρμακο είναι ασφαλές για χρήση από τους ανθρώπους.

Ο James Collins, καθηγητής βιομηχανικής και старший συγγραφέας στο MIT, και η Regina Barzilay, καθηγήτρια επιστήμης υπολογιστών στο MIT, ήταν και οι δύο старшие συγγραφείς του εγγράφου. Ο Collins, η Barzilay και άλλοι ερευνητές ελπίζουν ότι αλγόριθμοι όπως αυτός που χρησιμοποιήθηκε για να σχεδιαστεί το halicin θα μπορούσαν να βοηθήσουν στην ταχύτερη ανακάλυψη νέων αντιβιοτικών για την αντιμετώπιση της εξάπλωσης των ανθεκτικών στα φάρμακα στελεχών της νόσου.

Το halicin είναι μακράν το μόνο φαρμακευτικό σύνθετο που ανακαλύφθηκε με τη χρήση της Τεχνητής Νοημοσύνης. Η ερευνητική ομάδα που ηγείται από τον Collin και την Barzilay θέλει να πάνε πιο远 και να δημιουργήσουν νέες ενώσεις εκπαιδεύοντας περισσότερα μοντέλα χρησιμοποιώντας περίπου 100 εκατομμύρια μόρια που προέρχονται από τη βάση δεδομένων ZINC 15, μια διαδικτυακή βιβλιοθήκη με περισσότερα από 1,5 δισεκατομμύρια φαρμακευτικά σύνθετα. Σύμφωνα με τις αναφορές, η ομάδα έχει ήδη καταφέρει να βρει τουλάχιστον 23 διαφορετικά υποψήφια που ικανοποιούν τα κριτήρια της πιθανής ασφάλειας για την ανθρώπινη χρήση και της δομικής διαφοράς από τα τρέχοντα αντιβιοτικά.

Μια άτυχη παρενέργεια των αντιβιοτικών είναι ότι, ενώ σκοτώνουν τα επιβλαβή βακτήρια, σκοτώνουν επίσης τα απαραίτητα γουτ βακτήρια που το ανθρώπινο σώμα χρειάζεται. Η ερευνητική ομάδα ελπίζει ότι θα μπορούσαν να χρησιμοποιήσουν τεχνικές παρόμοιες με αυτές που χρησιμοποιήθηκαν για τη δημιουργία του halicin για να δημιουργήσουν αντιβιοτικά με λιγότερες παρενέργειες, φάρμακα που είναι λιγότερο πιθανό να βλάψουν το ανθρώπινο γουτ μικροβίωμα.

Πολλές άλλες εταιρείες επίσης προσπαθούν να χρησιμοποιήσουν τη μηχανική μάθηση για να απλοποιήσουν τη σύνθετη, μακρά και συχνά ακριβή διαδικασία δημιουργίας φαρμάκων. Άλλες εταιρείες έχουν επίσης εκπαιδεύσει αλγόριθμους Τεχνητής Νοημοσύνης για τη σύνθεση νέων φαρμακευτικών συνθέτων. Μόλις πρόσφατα, μια εταιρεία κατάφερε να αναπτύξει ένα φάρμακο-πρωτότυπο σε μόλις ένα μήνα και μισό, một πολύ πιο σύντομο χρονικό διάστημα από το που μπορεί να χρειαστεί για την ανάπτυξη ενός φαρμάκου με τον παραδοσιακό τρόπο.

Η Barzilay είναι αισιόδοξη ότι οι μέθοδοι ανακάλυψης φαρμάκων με τη βοήθεια της Τεχνητής Νοημοσύνης μπορούν να μεταμορφώσουν το τοπίο της ανακάλυψης φαρμάκων με σημαντικούς τρόπους. Η Barzilay εξήγησε ότι η δουλειά στο halicin είναι ένα πρακτικό παράδειγμα της αποτελεσματικότητας των τεχνικών της μηχανικής μάθησης:

“Υπάρχει ακόμη ένα ερώτημα αν τα εργαλεία της μηχανικής μάθησης πραγματικά κάνουν κάτι έξυπνο στην υγεία και πώς μπορούμε να τα αναπτύξουμε για να γίνουν τα αμάξια της φαρμακευτικής βιομηχανίας. Αυτό δείχνει πόσο μακριά μπορείτε να προσαρμόσετε αυτό το εργαλείο.”