A mesterséges intelligencia olyan gyógyszermolekulát hozott létre, amely leküzdhette a fibrózist

Az új orvosi gyógyszerek létrehozása összetett folyamat, amely évekig tartó kutatást és több milliárd dollárt igényel. Ugyanakkor fontos befektetés az emberek egészsége érdekében. A mesterséges intelligencia potenciálisan megkönnyítheti és lényegesen felgyorsíthatja az új gyógyszerek felfedezését, ha az Insilico Medicine nevű startup közelmúltban végzett munkája tovább halad. Amint arról a SingularityHub beszámolt, az AI startup nemrégiben mesterséges intelligenciát használt fel egy olyan molekula tervezésére, amely leküzdheti a fibrózist.

Tekintettel arra, hogy egy gyógyszer új molekuláinak felfedezése milyen bonyolult és időigényes folyamat, a tudósok és mérnökök folyamatosan keresik a módját annak felgyorsításának. Az ötlet, hogy számítógépekkel segítsenek felfedezni új kábítószereket, nem újdonság, hiszen a koncepció már évtizedek óta létezik. Az előrehaladás azonban ezen a területen lassú, a mérnökök nehezen találják meg a megfelelő algoritmusokat a gyógyszerkészítéshez.

A mélyreható tanulás életképessé tette a mesterséges intelligencia által vezérelt gyógyszerkutatást, és a gyógyszergyárak az elmúlt néhány évben jelentős összegeket fektettek be a mesterséges intelligencia induló vállalkozásaiba. Egy cégnek sikerült mesterséges intelligencia segítségével megterveznie egy molekulát, amely leküzdheti a fibrózist, és mindössze 46 napba telik, hogy megálmodjon egy terápiás gyógyszerekre emlékeztető molekulát. Az Insilco Medicine két különböző mély tanulási technikát kombinált ennek az eredménynek az elérése érdekében: a megerősítő tanulást és a generatív ellenséges hálózatokat (GAN).

Erősítő tanulás egy gépi tanulási módszer, amely bizonyos válaszokat kiváltó visszajelzéssel a hálózat számára bizonyos döntések meghozatalára ösztönzi a gépi tanulási modellt. A modellt megbüntethetik a nemkívánatos döntésekért, vagy jutalmazhatják a kívánatos döntésekért. A negatív és pozitív megerősítés kombinációjának használatával a modell a kívánt döntések meghozatala felé terelődik, és olyan döntéseket hoz, amelyek minimalizálják a büntetést és maximalizálják a jutalmat.

Eközben generációs versenytárs hálózatok ellentétesek, mivel két különböző neurális hálózatból állnak, amelyek egymással szembeállítva vannak. A két hálózat példákat ad a képzéshez szükséges tárgyakra, gyakran képekre. Az egyik hálózat feladata egy hamisított tárgy létrehozása, valami kellően hasonló a valódi objektumhoz ahhoz, hogy összetéveszthető legyen az eredeti cikkel. A második hálózat feladata a hamisított tárgyak észlelése. A két hálózat megpróbálja felülmúlni a másik hálózatot, és mivel mindketten növelik teljesítményüket a másik hálózat legyőzése érdekében, ez a virtuális fegyverkezési verseny oda vezet, hogy a hamisított modell olyan tárgyakat generál, amelyek szinte megkülönböztethetetlenek a valóditól.

A GANS és az erősítő tanulási algoritmusok kombinálásával a kutatók képesek voltak arra, hogy modelljeik új gyógyszermolekulákat állítsanak elő, amelyek rendkívül hasonlóak a már meglévő terápiás gyógyszerekhez.

Az Insilico Medicine mesterséges intelligencia gyógyszerkutatási kísérleteinek eredményeit a közelmúltban tették közzé a Nature Biotechnology folyóiratban. A tanulmányban a kutatók megvitatják, hogyan képezték ki a mély tanulási modelleket. A kutatók olyan molekulákat vettek fel, amelyeket már használtak az idiopátiás tüdőfibrózisban vagy IPF-ben szerepet játszó fehérjék kezelésére szolgáló gyógyszerekben. Ezeket a molekulákat használták a képzés alapjául, és a kombinált modellek körülbelül 30,000 XNUMX lehetséges gyógyszermolekulát tudtak előállítani.

A kutatók ezután a 30000 XNUMX jelölt molekula között válogattak, és kiválasztották a hat legígéretesebb molekulát laboratóriumi tesztelésre. Ezt a hat döntőst a laboratóriumban szintetizálták, és egy sor tesztben használták fel, amelyek nyomon követték az IPF fehérje megcélzásának képességét. Egy molekula különösen ígéretesnek tűnt, mivel olyan eredményeket hozott, mint amilyeneket egy orvosi gyógyszerben kívánnak.

Fontos megjegyezni, hogy a kísérletben megcélzott fibrózis elleni gyógyszert már alaposan kutatták, és számos hatékony gyógyszer létezik már rá. A kutatók hivatkozhattak ezekre a gyógyszerekre, és ez fellendítette a kutatócsoportot, mivel jelentős mennyiségű adat állt rendelkezésükre a modellek képzéséhez. Ez sok más betegségre nem igaz, és ennek eredményeként nagyobb hiányosságok vannak ezeknél a kezeléseknél.

Egy másik fontos tény, hogy a vállalat jelenlegi gyógyszerfejlesztési modellje csak a kezdeti felfedezési folyamattal foglalkozik, és hogy a modelljük által generált molekulákon még sok finomítást és optimalizálást kell végezni, mielőtt a molekulákat potenciálisan klinikai vizsgálatokhoz felhasználnák.

A Wired szerint, Az Insilico Medicine vezérigazgatója, Alex Zharvornokov elismeri, hogy mesterséges intelligencia által vezérelt gyógyszerük még nem áll készen a terephasználatra, a jelenlegi tanulmány csak az elképzelés bizonyítéka. A kísérlet célja az volt, hogy megvizsgálja, milyen gyorsan lehet egy gyógyszert megtervezni mesterséges intelligencia-rendszerek segítségével. Zsavornokov azonban megjegyzi, hogy a kutatók sokkal gyorsabban tudtak megtervezni egy potenciálisan hasznos molekulát, mint azt, ha rendszeres gyógyszerkutatási módszereket alkalmaztak volna.

A figyelmeztetések ellenére az Insilico Medicine kutatása még mindig jelentős előrelépést jelent az MI új gyógyszerek létrehozására való felhasználásában. A vizsgálatban alkalmazott technikák finomítása jelentősen lerövidítheti egy új gyógyszer kifejlesztéséhez szükséges időt. Ez különösen hasznosnak bizonyulhat egy olyan korszakban, amikor az antibiotikum-rezisztens baktériumok szaporodnak, és számos korábban hatékony gyógyszer veszít hatékonyságából.