Tekoälyä käytetään lääkemolekyylin luomiseen, joka voi taistella fibroosia vastaan

Lääkkeiden kehittäminen on monimutkainen prosessi, joka voi kestää vuosia ja maksaa miljardeja dollareita. Se on kuitenkin tärkeä investointi ihmisten terveyden vuoksi. Tekoäly voi mahdollisesti tehdä uusien lääkkeiden löytämisen helpommaksi ja nopeammaksi, jos Insilico Medicine -startin yhtiön viimeaikaiset työt jatkavat eteenpäin. SingularityHubin mukaan AI-startin on vastikään käyttänyt tekoälyä suunnittelemaan molekyyli, joka voi taistella fibroosia vastaan.

Lääkkeiden kehittäminen on niin monimutkainen ja aikaa vievä prosessi, että tutkijat ja insinöörit etsivät jatkuvasti keinoja nopeuttaa sitä. Tietokoneiden käyttäminen uusien lääkkeiden löytämiseen ei ole uusi idea, sillä konsepti on ollut olemassa jo vuosikymmenien ajan. Edistysaskelilla on kuitenkin ollut hitaasti eteenpäin, ja insinöörit ovat kamppailleet oikeiden algoritmien löytämisen lääkkeiden luomiseksi.

Syväoppiminen on tehnyt tekoälypohjaisen lääkkeiden löytämisen mahdollisemmaksi, ja lääkeyritykset ovat investoineet runsaasti tekoälystartupeihin viime vuosina. Yksi yhtiö on onnistunut käyttämään tekoälyä suunnittelemaan molekyyli, joka voi taistella fibroosia vastaan, ja se onnistui suunnittelemaan molekyylin vain 46 päivässä. Insilco Medicine yhdisti kaksi eri syväoppimistekniikkaa saavuttaakseen tämän tuloksen: vahvistusoppimisen ja generatiiviset vastakkainasettelijaverkkorakenteet (GAN).

Vahvistusoppiminen on koneoppimismenetelmä, joka kannustaa koneoppimismallia tekemään tiettyjä päätöksiä antamalla verkolle palautetta, joka aiheuttaa tiettyjä reaktioita. Mallia voidaan rangaista epätoivottavista valinnoista tai palkita toivottavista valinnoista. Käyttämällä yhdistelmää negatiivista ja positiivista vahvistusta malli ohjataan toivottuihin päätöksiin, ja se suuntautuu päätöksiin, jotka minimoisivat rangaistuksen ja maksimoisivat palkinnon.

Generatiiviset vastakkainasettelijaverkkorakenteet ovat “vastakkainasettelijamaisia”, koska ne koostuvat kahdesta eri neuroverkosta, jotka ovat toisiaan vastaan. Kaksi verkkoa annetaan esimerkkejä koulutusaineistosta, usein kuvia. Yhden verkon tehtävä on luoda väärennös, joka on tarpeeksi samanlainen kuin aito esine, jotta se voidaan sekoittaa aitoon esineeseen. Toisen verkon tehtävä on havaita väärennökset. Kaksi verkkoa yrittävät ylittää toisiaan, ja koska molemmat parantavat suorituskykyään toisen verkon ylittämiseksi, tämä virtuaalinen asekilpailu johtaa siihen, että väärennösverkko luo esineitä, jotka ovat lähes erottamattomia aitojen esineiden kanssa.

Yhdistämällä sekä GAN- että vahvistusoppimisalgoritmit tutkijat pystyivät saamaan malleistaan tuottamaan uusia lääkemolekyylejä, jotka ovat erittäin samanlaisia jo olemassa olevien terapeuttisten lääkkeiden kanssa.

Insilico Medicinen kokeiden tulokset tekoälypohjaisen lääkkeiden löytämisen parissa julkaistiin vastikään Nature Biotechnology -lehdessä. Tutkijat keskustelivat siinä, miten syväoppimismallit koulutettiin. Tutkijat ottivat edustukset molekyyleistä, jotka ovat jo käytössä lääkkeissä, ja käsittelevät proteiineja, jotka ovat mukana idiopaattisessa keuhkofibroosissa eli IPF:ssä. Nämä molekyylit käytettiin koulutusaineistona, ja yhdistetyt mallit pystyivät generoimaan noin 30 000 mahdollista lääkemolekyyliä.

Tutkijat sitten lajittivat 30 000 ehdokasaineen joukosta ja valitsivat kuusi lupaavinta molekyyliä laboratoriotesteihin. Nämä kuusi lopullista ehdokasta syntetisoitiin laboratoriossa ja käytettiin sarjassa kokeissa, jotka seurasivat niiden kykyä kohdistaa IPF-proteiinia. Yksi molekyyli erityisesti näytti lupaavalta, koska se toimitti halutunlaiset tulokset, jotka ovat toivottavia lääketieteellisessä lääkkeessä.

On tärkeää huomata, että fibroosilääke, jota kokeessa tutkittiin, on jo laajasti tutkittu, ja useita tehokkaita lääkkeitä on jo olemassa sille. Tutkijat pystyivät viittaamaan näihin lääkkeisiin, ja tämä antoi tutkimusryhmälle etulyöntiaseman, koska heillä oli runsaasti dataa kouluttaa mallejaan. Tämä ei kuitenkaan pidä paikkaansa monille muille sairauksille, ja tästä syystä on suurempi aukko suljettavaksi näillä hoidoilla.

Toinen tärkeä seikka on, että yhtiön nykyinen lääkekehitysmalli käsittelee vain alkuperäisen löytämisen prosessia, ja että mallin generoimat molekyylit vaativat edelleen runsaasti säätöjä ja optimointeja ennen kuin ne voivat mahdollisesti olla käytettävissä kliinisissä kokeissa.

Wiredin mukaan Insilico Medicinen toimitusjohtaja Alex Zhavornokov myöntää, että heidän tekoälypohjainen lääkettään ei ole valmis kenttäkäyttöön, ja että tämä nykyinen tutkimus on vain osoitus siitä, miten nopeasti lääke voidaan suunnitella tekoälyn avulla. Zhavornokov kuitenkin huomauttaa, että tutkijat pystyivät suunnittelemaan mahdollisesti hyödyllisen molekyylin paljon nopeammin kuin he olisivat voineet, jos he olisivat käyttäneet perinteisiä lääkekehitysmenetelmiä.

Vaikka varoitukset ovatkin aiheellisia, Insilico Medicinen tutkimus edustaa silti merkittävää edistystä tekoälyn käytössä uusien lääkkeiden luomisessa. Käytettyjen menetelmien tarkennus voi lyhentää merkittävästi uuden lääkkeen kehittämiseen tarvittavaa aikaa. Tämä voi osoittautua erityisen hyödylliseksi aikakaudella, jolloin antibiooteille vastustuskykyiset bakteerit lisääntyvät ja monet aiemmin tehokkaat lääkkeet menettävät tehoaan.