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

Η δημιουργία νέων ιατρικών φαρμάκων είναι μια σύνθετη διαδικασία που μπορεί να διαρκέσει χρόνια έρευνας και δισεκατομμύρια δολάρια. Παρόλα αυτά, είναι μια σημαντική επένδυση για την υγεία των ανθρώπων. Η τεχνητή νοημοσύνη θα μπορούσε потенτικά να κάνει την ανακάλυψη νέων φαρμάκων πιο εύκολη και σημαντικά ταχύτερη, εάν η πρόσφατη εργασία της εταιρείας Insilico Medicine συνεχίσει να κάνει πρόοδο. Όπως αναφέρεται στο SingularityHub, η εταιρεία Insilico Medicine έχει πρόσφατα χρησιμοποιήσει την τεχνητή νοημοσύνη για να σχεδιάσει ένα μόριο που θα μπορούσε να πολεμήσει τη φίβρωση.

Δεδομένου πόσο σύνθετη και χρονοβόρα είναι η διαδικασία ανακάλυψης νέων μορίων για ένα φάρμακο, οι επιστήμονες και οι μηχανικοί αναζητούν συνεχώς τρόπους για να επιταχύνουν τη διαδικασία. Η ιδέα της χρήσης υπολογιστών για να βοηθήσουν στην ανακάλυψη νέων φαρμάκων δεν είναι καινούργια, καθώς η концепτός υπάρχει για δεκαετίες. Ωστόσο, η πρόοδος σε αυτό το μέτωπο έχει been αργή, με τους μηχανικούς να αγωνίζονται για να βρουν τους σωστούς αλγορίθμους για τη δημιουργία φαρμάκων.

Η βαθιά μάθηση έχει αρχίσει να κάνει την ανακάλυψη φαρμάκων με τη βοήθεια της τεχνητής νοημοσύνης πιο βιώσιμη, με τις φαρμακευτικές εταιρείες να επενδύουν πολύ σε εταιρείες τεχνητής νοημοσύνης τα τελευταία χρόνια. Μια εταιρεία έχει καταφέρει να χρησιμοποιήσει την τεχνητή νοημοσύνη για να σχεδιάσει ένα μόριο που θα μπορούσε να πολεμήσει τη φίβρωση, χρειαζόμενο μόνο 46 ημέρες για να ονειρευτεί ένα μόριο που μοιάζει με θεραπευτικά φάρμακα. Η Insilco 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 την λήψη ανεπιθύμητων επιλογών ή να ανταμειφθεί για την λήψη επιθυμητών επιλογών. Χρησιμοποιώντας μια συνδυασμένη ανταπόκριση θετικής και αρνητικής ενίσχυσης, το μοντέλο κατευθύνεται 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 αντιτάσσονται ο ένας στον άλλον. Τα δύο δίκτυα λαμβάνουν παραδείγματα αντικειμένων για να εκπαιδεύσουν, συχνά εικόνες. Η δουλειά του ενός δικτύου είναι να δημιουργήσει ένα ψεύτικο αντίγραφο, κάτι αρκετά παρόμοιο με το πραγματικό αντικείμενο που μπορεί να συγχυσθεί με το γνήσιο άρθρο. Η δουλειά του δεύτερου δικτύου είναι να ανιχνεύσει τα ψεύτικα αντίγραφα. Τα δύο δίκτυα προσπαθούν να υπερβούν το άλλο δίκτυο και καθώς και τα δύο βελτιώνουν την απόδοσή τους για να υπερβούν το άλλο δίκτυο, αυτή η εικονική αγωνία οδηγεί το ψεύτικο μοντέλο να δημιουργήσει αντικείμενα που είναι σχεδόν αδιακρίτως από το πραγματικό.

Συνδυάζοντας και τα GANs και τους αλγορίθμους 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 έγγραφο, οι ερευνητές συζητούν πώς τα μοντέλα βαθιάς μάθησης εκπαιδεύτηκαν. Οι ερευνητές έλαβαν αναπαραστάσεις μορίων που ήδη χρησιμοποιούνται σε φάρμακα για να χειριστούν πρωτεΐνες που εμπλέκονται στην ιδιοπαθή πνευμονική φίβρωση ή IPF. Αυτά τα μόρια χρησιμοποιήθηκαν ως βάση για την εκπαίδευση και τα συνδυασμένα μοντέλα κατάφεραν να γεννήσουν περίπου 30.000 πιθανά μόρια φαρμάκων.

Οι ερευνητές στη συνέχεια διάλεξαν τα 30.000 υποψήφια μόρια και επέλεξαν τα έξι πιο υποσχόμενα μόρια για εργαστηριακούς ελέγχους. Αυτά τα έξι τελικά μόρια συνθέθηκαν στο εργαστήριο και χρησιμοποιήθηκαν σε μια σειρά ελέγχων που ακολούθησαν την ικανότητά τους να στοχεύουν την πρωτεΐνη IPF. Ένα μόριο, συγκεκριμένα, φάνηκε υποσχόμενο, καθώς παρείχε τον τύπο αποτελέσματος που επιθυμείται σε ένα ιατρικό φάρμακο.

Είναι σημαντικό να σημειωθεί ότι το φάρμακο κατά της φίβρωσης που στοχεύθηκε στην πειραματική διαδικασία έχει ήδη ερευνηθεί εκτενώς, με πολλά αποτελεσματικά φάρμακα να υπάρχουν ήδη για αυτό. Οι ερευνητές θα 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 κλείσει για αυτές τις θεραπείες.

Ένα άλλο σημαντικό γεγονός είναι ότι το τρέχον μοντέλο ανάπτυξης φαρμάκων της εταιρείας ασχολείται μόνο με την αρχική διαδικασία ανακάλυψης και ότι τα μόρια που παράγονται από το μοντέλο τους θα χρειαστούν πολλές βελτιώσεις και βελτιώσεις πριν τα μόρια θα μπορούσαν потенτικά να χρησιμοποιηθούν για κλινικές δοκιμές.

Σύμφωνα με το Wired, ο Διευθύνων Σύμβουλος της Insilico Medicine, Alex Zharvornokov, αναγνωρίζει ότι το φάρμακο που οδηγείται από την τεχνητή νοημοσύνη δεν είναι έτοιμο για χρήση, με την τρέχουσα μελέτη να είναι απλώς ένα concept. Ο στόχος της πειραματικής διαδικασίας ήταν να δει πώς γρήγορα θα μπορούσε 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 γρήγορα από ό,τι θα μπορούσαν να το κάνουν με τις κανονικές μεθόδους ανακάλυψης φαρμάκων.

Παρά τις προφυλάξεις, 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 ανθεκτικά σε αντιβιοτικά βακτήρια πολλαπλασιάζονται και πολλά προηγουμένως αποτελεσματικά φάρμακα χάνουν την αποτελεσματικότητά τους.