AI izmantoja, lai izveidotu zāļu molekulu, kas varētu cīnīties ar fibrozi

Jaunu medicīnisko zāļu radīšana ir sarežģīts process, kas var prasīt vairākus gadus ilgus pētījumus un miljardiem dolāru. Tomēr tas ir arī nozīmīgs ieguldījums cilvēku veselībā. Mākslīgais intelekts varētu atvieglot un ievērojami paātrināt jaunu zāļu atklāšanu, ja jaunizveidotā Insilico Medicine nesenais darbs turpinās progresēt. Kā ziņo SingularityHubAI starta uzņēmums nesen ir izmantojis AI, lai izstrādātu molekulu, kas varētu apkarot fibrozi.

Ņemot vērā to, cik sarežģīts un laikietilpīgs ir jaunu zāļu molekulu atklāšanas process, zinātnieki un inženieri pastāvīgi meklē veidus, kā to paātrināt. Ideja izmantot datorus, lai palīdzētu atklāt jaunas zāles, nav nekas jauns, jo šī koncepcija pastāv jau gadu desmitiem. Tomēr progress šajā jomā ir bijis lēns, jo inženieri cīnās, lai atrastu pareizos algoritmus zāļu radīšanai.

Padziļināta mācīšanās ir sākusi padarīt AI vadītu zāļu atklāšanu dzīvotspējīgāku, un farmācijas uzņēmumi pēdējos gados ir ieguldījuši lielus ieguldījumus AI jaunuzņēmumos. Vienam uzņēmumam ir izdevies izmantot mākslīgo intelektu, lai izstrādātu molekulu, kas varētu apkarot fibrozi, un ir nepieciešamas tikai 46 dienas, lai izveidotu molekulu, kas atgādina terapeitiskas zāles. Lai sasniegtu šo rezultātu, Insilco Medicine apvienoja divas dažādas dziļās mācīšanās metodes: pastiprināšanas mācības un ģeneratīvos pretrunīgos tīklus (GAN).

Pastiprināšanas mācīšanās ir mašīnmācīšanās metode, kas mudina mašīnmācīšanās modeli pieņemt noteiktus lēmumus, nodrošinot tīklam atgriezenisko saiti, kas izraisa noteiktas atbildes. Modeli var sodīt par nevēlamas izvēles izdarīšanu vai apbalvot par vēlamo izvēli. Izmantojot gan negatīva, gan pozitīva pastiprinājuma kombināciju, modelis tiek virzīts uz vēlamo lēmumu pieņemšanu, un tas virzīsies uz tādu lēmumu pieņemšanu, kas samazina sodu un palielina atlīdzību.

Tikmēr, ģeneratīvie pretrunīgie tīkli ir “pretrunīgi”, jo tie sastāv no diviem dažādiem neironu tīkliem, kas atrodas viens pret otru. Abiem tīkliem ir doti trenējamo objektu piemēri, bieži vien attēli. Viena tīkla uzdevums ir izveidot viltotu objektu, kas ir pietiekami līdzīgs īstajam objektam, lai to varētu sajaukt ar īstu priekšmetu. Otrā tīkla uzdevums ir atklāt viltotus priekšmetus. Abi tīkli cenšas pārspēt otru tīklu, un, tā kā tie abi palielina savu veiktspēju, lai pārvarētu otru tīklu, šī virtuālā bruņošanās sacensība noved pie tā, ka viltotais modelis ģenerē objektus, kas gandrīz neatšķiras no īstā.

Apvienojot gan GANS, gan pastiprināšanas mācīšanās algoritmus, pētnieki varēja panākt, ka viņu modeļi ražo jaunas zāļu molekulas, kas ir ļoti līdzīgas jau esošajām terapeitiskajām zālēm.

Insilico Medicine eksperimentu rezultāti ar AI zāļu atklāšanu nesen tika publicēti žurnālā Nature Biotechnology. Rakstā pētnieki apspriež, kā tika apmācīti dziļās mācīšanās modeļi. Pētnieki attēloja molekulas, kas jau tika izmantotas medikamentos, lai apstrādātu proteīnus, kas saistīti ar idiopātisku plaušu fibrozi vai IPF. Šīs molekulas tika izmantotas kā apmācības pamats, un apvienotie modeļi spēja radīt aptuveni 30,000 XNUMX iespējamo zāļu molekulu.

Pēc tam pētnieki sakārtoja 30000 XNUMX kandidātmolekulu un atlasīja sešas daudzsološākās molekulas laboratorijas testēšanai. Šie seši finālisti tika sintezēti laboratorijā un izmantoti virknē testu, kas izsekoja viņu spējai mērķēt uz IPF proteīnu. Jo īpaši viena molekula šķita daudzsološa, jo tā sniedza tādus rezultātus, kādi ir vēlami medicīniskām zālēm.

Ir svarīgi atzīmēt, ka eksperimentā paredzētais fibrozes līdzeklis jau ir plaši pētīts, un tam jau ir vairākas efektīvas zāles. Pētnieki varēja atsaukties uz šīm zālēm, un tas deva pētnieku komandai atbalstu, jo viņiem bija ievērojams datu apjoms, lai apmācītu savus modeļus. Tas neattiecas uz daudzām citām slimībām, un tāpēc pastāv lielākas atšķirības, lai novērstu šīs ārstēšanas metodes.

Vēl viens svarīgs fakts ir tas, ka uzņēmuma pašreizējais zāļu izstrādes modelis attiecas tikai uz sākotnējo atklāšanas procesu un ka to modeļa radītajām molekulām joprojām būs nepieciešami daudzi pielāgojumi un optimizācijas, pirms molekulas varētu izmantot klīniskajos pētījumos.

Saskaņā ar Wired, Insilico Medicine izpilddirektors Alekss Žarvornokovs atzīst, ka viņu mākslīgā intelekta vadītās zāles nav gatavas lietošanai uz vietas, un pašreizējais pētījums ir tikai koncepcijas pierādījums. Šī eksperimenta mērķis bija noskaidrot, cik ātri zāles var izstrādāt ar AI sistēmu palīdzību. Tomēr Žavornokovs atzīmē, ka pētnieki varēja izveidot potenciāli noderīgu molekulu daudz ātrāk, nekā tas būtu bijis, ja viņi būtu izmantojuši regulāras zāļu atklāšanas metodes.

Neskatoties uz brīdinājumiem, Insilico Medicine pētījumi joprojām ir ievērojams progress AI izmantošanā jaunu zāļu radīšanai. Pētījumā izmantoto metožu pilnveidošana varētu būtiski saīsināt laiku, kas nepieciešams jaunas zāles izstrādei. Tas varētu izrādīties īpaši noderīgi laikmetā, kurā vairojas pret antibiotikām rezistentas baktērijas un daudzas iepriekš iedarbīgas zāles zaudē savu potenciālu.