Η Τεχνητή Νοημοσύνη Χρησιμοποιείται για τη Δημιουργία Μορίου Φαρμάκου που Μπορεί να Πολεμήσει τη Φιμπρόση

Η δημιουργία νέων φαρμακευτικών προϊόντων είναι một διαδικασία που μπορεί να διαρκέσει χρόνια και να κοστίζει δισεκατομμύρια δολάρια. Παρόλα αυτά, είναι μια σημαντική επένδυση για την υγεία των ανθρώπων. Η τεχνητή νοημοσύνη μπορεί να κάνει την ανακάλυψη νέων φαρμάκων πιο εύκολη και ταχύτερη, εάν η πρόσφατη εργασία της εταιρείας Insilico Medicine συνεχίσει να προοδεύει. Σύμφωνα με το SingularityHub, η εταιρεία Insilico Medicine έχει χρησιμοποιήσει τη τεχνητή νοημοσύνη για να σχεδιάσει ένα μόριο που μπορεί να πολεμήσει τη φιμπρόση.

Λόγω της πολυπλοκότητας και της χρονικής διάρκειας της διαδικασίας ανακάλυψης νέων μορίων για φάρμακα, οι επιστήμονες και οι μηχανικοί αναζητούν συνεχώς τρόπους για να επιταχύνουν τη διαδικασία. Η ιδέα της χρήσης υπολογιστών για την ανακάλυψη νέων φαρμάκων δεν είναι καινούρια, καθώς η концепτός υπάρχει για δεκαετίες. Ωστόσο, η πρόοδος σε αυτόν τον τομέα έχει sido αργή, με τους μηχανικούς να δυσκολεύονται να βρουν τους σωστούς αλγόριθμους για τη δημιουργία φαρμάκων.

Η βαθιά μάθηση έχει αρχίσει να κάνει την ανακάλυψη φαρμάκων με τη βοήθεια της τεχνητής νοημοσύνης πιο εφικτή, με τις φαρμακευτικές εταιρείες να επενδύουν πολύ σε εταιρείες τεχνητής νοημοσύνης τα τελευταία χρόνια. Μια εταιρεία έχει καταφέρει να χρησιμοποιήσει τη τεχνητή νοημοσύνη για να σχεδιάσει ένα μόριο που μπορεί να πολεμήσει τη φιμπρόση, χρειάζοντας μόνο 46 ημέρες για να το σχεδιάσει. Η Insilico Medicine συνδύασε δύο διαφορετικές τεχνικές βαθιάς μάθησης για να επιτύχει αυτό το αποτέλεσμα: την ενισχυτική μάθηση και τα ανταγωνιστικά δίκτυα (GANs).

Η ενισχυτική μάθηση είναι μια μέθοδος μάθησης μηχανής που ενθαρρύνει το μοντέλο μάθησης μηχανής να λαμβάνει bestimmμένες αποφάσεις, παρέχοντας στο δίκτυο ανατροφοδότηση που προκαλεί bestimmμένες αντιδράσεις. Το μοντέλο μπορεί να τιμωρηθεί για λανθασμένες επιλογές ή να ανταμειφθεί για σωστές επιλογές. Με τη χρήση μιας συνδυασμής αρνητικής και θετικής ενίσχυσης, το μοντέλο καθοδηγείται προς την λήψη επιθυμητών αποφάσεων και θα τείνει να λαμβάνει αποφάσεις που ελαχιστοποιούν την τιμωρία και μεγιστοποιούν την ανταμοιβή.

Εν τω μεταξύ, τα ανταγωνιστικά δίκτυα είναι “ανταγωνιστικά” επειδή αποτελούνται από δύο διαφορετικά νευρωνικά δίκτυα που ανταγωνίζονται το ένα το άλλο. Τα δύο δίκτυα λαμβάνουν παραδείγματα αντικειμένων για να εκπαιδευτούν, συχνά εικόνες. Η εργασία του ενός δικτύου είναι να δημιουργήσει ένα ψευδές αντικείμενο, κάτι αρκετά παρόμοιο με το πραγματικό αντικείμενο, ώστε να μπορεί να συγχυσθεί με το γνήσιο. Η εργασία του δεύτερου δικτύου είναι να ανιχνεύσει ψευδή αντικείμενα. Τα δύο δίκτυα προσπαθούν να υπερβούν το άλλο δίκτυο και καθώς και τα δύο δίκτυα αυξάνουν την απόδοσή τους για να υπερβούν το άλλο δίκτυο, αυτή η εικονική αγωνία οδηγεί το μοντέλο ψευδούς αντικειμένου να δημιουργήσει αντικείμενα που είναι σχεδόν αδιακρίτως από το πραγματικό.

Συνδυάζοντας και τις δύο τεχνικές GANs και ενισχυτικής μάθησης, οι ερευνητές κατάφεραν να έχουν τα μοντέλα τους να παράγουν νέα μόρια φαρμάκων εξαιρετικά παρόμοια με τα ήδη υπάρχοντα θεραπευτικά φάρμακα.

Τα αποτελέσματα των πειραμάτων της Insilico Medicine με την ανακάλυψη φαρμάκων με τη βοήθεια της τεχνητής νοημοσύνης δημοσιεύθηκαν πρόσφατα στο περιοδικό Nature Biotechnology. Στο άρθρο, οι ερευνητές συζητούν πώς τα μοντέλα βαθιάς μάθησης εκπαιδεύτηκαν. Οι ερευνητές έλαβαν αναπαραστάσεις μορίων που χρησιμοποιούνται ήδη σε φάρμακα για να χειριστούν πρωτεΐνες που συμμετέχουν στη φιμπρόση. Αυτά τα μόρια χρησιμοποιήθηκαν ως βάση για την εκπαίδευση και τα συνδυασμένα μοντέλα ήταν σε θέση να παράγουν περίπου 30.000 πιθανά μόρια φαρμάκων.

Οι ερευνητές τότε διάλεξαν τα 6 πιο υποσχόμενα μόρια για εργαστηριακούς ελέγχους. Αυτά τα 6 τελικά μόρια συνθέθηκαν στο εργαστήριο και χρησιμοποιήθηκαν σε μια σειρά ελέγχων που παρακολουθούσαν την ικανότητά τους να στοχεύουν την πρωτεΐνη της φιμπρόσης. Ένα μόριο, συγκεκριμένα, φάνηκε υποσχόμενο, καθώς παρείχε τα είδη αποτελεσμάτων που επιθυμούνται σε ένα φαρμακευτικό προϊόν.

Είναι σημαντικό να σημειωθεί ότι το φάρμακο για τη φιμπρόση που στοχεύτηκε στο πείραμα έχει ήδη ερευνηθεί εκτενώς, με πολλά αποτελεσματικά φάρμακα να υπάρχουν ήδη για αυτό. Οι ερευνητές μπορούσαν να αναφερθούν σε αυτά τα φάρμακα και αυτό έδωσε στην ερευνητική ομάδα ένα πλεονέκτημα, καθώς είχαν μια σημαντική ποσότητα δεδομένων για να εκπαιδεύσουν τα μοντέλα τους. Αυτό δεν ισχύει για πολλές άλλες ασθένειες και ως αποτέλεσμα, υπάρχει ένα μεγαλύτερο χάσμα να καλυφθεί σε αυτές τις θεραπείες.

Ένα άλλο σημαντικό γεγονός είναι ότι το τρέχον μοντέλο ανάπτυξης φαρμάκων της εταιρείας ασχολείται μόνο με τη διαδικασία αρχικής ανακάλυψης και ότι τα μόρια που παράγονται από το μοντέλο τους θα χρειαστούν πολλές τροποποιήσεις και βελτιώσεις πριν μπορέσουν να χρησιμοποιηθούν σε κλινικές δοκιμές.

Σύμφωνα με το Wired, ο διευθύνων σύμβουλος της Insilico Medicine, Alex Zhavornokov, αναγνωρίζει ότι το φάρμακο της εταιρείας με τη βοήθεια της τεχνητής νοημοσύνης δεν είναι έτοιμο για χρήση, με την τρέχουσα μελέτη να είναι μόνο ένα απόδειξη концепτού. Ο στόχος αυτής της πειραματικής διαδικασίας ήταν να δει πόσο γρήγορα μπορεί να σχεδιαστεί ένα φάρμακο με τη βοήθεια συστημάτων τεχνητής νοημοσύνης. Ωστόσο, ο Zhavornokov σημειώνει ότι οι ερευνητές κατάφεραν να σχεδιάσουν ένα πιθανό χρήσιμο μόριο πολύ γρηγορότερα από ό,τι θα μπορούσαν να το κάνουν αν είχαν χρησιμοποιήσει κανονικές μεθόδους ανακάλυψης φαρμάκων.

Παρά τις επιφυλάξεις, η έρευνα της Insilico Medicine αντιπροσωπεύει μια αξιοσημείωτη πρόοδο στην χρήση της τεχνητής νοημοσύνης για τη δημιουργία νέων φαρμάκων. Η βελτίωση των τεχνικών που χρησιμοποιήθηκαν στη μελέτη θα μπορούσε να συντομεύσει σημαντικά τον χρόνο που απαιτείται για την ανάπτυξη ενός νέου φαρμάκου. Αυτό θα μπορούσε να αποδειχθεί ιδιαίτερα χρήσιμο σε μια εποχή όπου τα βακτήρια ανθεκτικά στα αντιβιοτικά πολλαπλασιάζονται και πολλά προηγουμένως αποτελεσματικά φάρμακα χάνουν την αποτελεσματικότητά τους.