Вештачката интелигенција се користи за создавање на молекула на дрога која може да се бори против фиброза

Создавањето нови медицински лекови е сложен процес за кој може да бидат потребни години истражување и милијарди долари. Сепак, тоа е исто така важна инвестиција што треба да се направи за здравјето на луѓето. Вештачката интелигенција потенцијално би можела да го олесни и значително побрзо откривањето на нови лекови, доколку неодамнешната работа на стартапот Insilico Medicine продолжи да напредува. Како што објави SingularityHub, стартапот со вештачка интелигенција неодамна ја искористи вештачката интелигенција за да дизајнира молекула што може да се бори против фиброзата.

Со оглед на тоа колку е сложен и одзема многу време процесот на откривање нови молекули за лекот, научниците и инженерите постојано бараат начини да го забрзаат. Идејата за користење на компјутери за да се помогне во откривањето на нови лекови не е ништо ново, бидејќи концептот постои со децении. Сепак, напредокот на овој фронт е бавен, при што инженерите се борат да ги најдат вистинските алгоритми за создавање лекови.

Длабокото учење започна да го прави поодржливо откривањето на лекови водени од вештачката интелигенција, при што фармацевтските компании инвестираа многу во стартапи со вештачка интелигенција во последните неколку години. Една компанија успеа да користи вештачка интелигенција за да дизајнира молекула која би можела да се бори против фиброзата, а потребни се само 46 дена за да се сонува молекула која личи на терапевтски лекови. Insilco Medicine комбинираше две различни техники за длабоко учење за да го постигне овој резултат: учење за зајакнување и генеративни противнички мрежи (GANs).

Засилување на учењето е метод за машинско учење што го поттикнува моделот на машинско учење да донесува одредени одлуки преку обезбедување на мрежата со повратни информации што предизвикуваат одредени одговори. Моделот може да биде казнет за непожелен избор или награден за пожелен избор. Со користење на комбинација од негативно и позитивно засилување, моделот се води кон донесување на посакуваните одлуки и ќе се стреми кон донесување одлуки кои ја минимизираат казната и ја максимизираат наградата.

Во меѓувреме, генеративни противнички мрежи се „противнички“ бидејќи се состојат од две различни невронски мрежи спротивставени една против друга. На двете мрежи им се дадени примери на објекти за обука, често слики. Работата на една мрежа е да создаде фалсификуван објект, нешто доволно слично на вистинскиот објект што може да се помеша за оригиналниот напис. Работата на втората мрежа е да открие фалсификувани предмети. Двете мрежи се обидуваат да ја надминат другата мрежа, и бидејќи и двете ги зголемуваат своите перформанси за да ја надминат другата мрежа, оваа виртуелна трка во вооружување води до фалсификуваниот модел кој генерира објекти кои речиси не се разликуваат од вистинските.

Со комбинирање на GANS и алгоритми за зајакнување на учењето, истражувачите беа во можност нивните модели да произведат нови молекули на лекови исклучително слични на веќе постоечките терапевтски лекови.

Резултатите од експериментите на Insilico Medicine со откривање на лекови со вештачка интелигенција неодамна беа објавени во списанието Nature Biotechnology. Во трудот, истражувачите разговараат за тоа како се обучени моделите за длабоко учење. Истражувачите земаа претстави на молекули кои веќе се користат во лекови за справување со протеини вклучени во идиопатска белодробна фиброза или IPF. Овие молекули беа користени како основа за обука и комбинираните модели беа во можност да генерираат околу 30,000 можни молекули на лекови.

Истражувачите потоа ги сортираа 30000-те кандидатски молекули и ги избраа шесте најперспективни молекули за лабораториско тестирање. Овие шест финалисти беа синтетизирани во лабораторија и користени во серија тестови кои ја следеа нивната способност да го таргетираат IPF протеинот. Една молекула, особено, изгледаше ветувачка, бидејќи даваше такви резултати што се посакувани во медицински лек.

Важно е да се напомене дека лекот за фиброза насочен во експериментот веќе е опширно истражен, со повеќе ефикасни лекови кои веќе постојат за него. Истражувачите можеа да ги референцираат овие лекови, а тоа му даде на истражувачкиот тим подигнат, бидејќи имаа значителна количина на податоци за обука на нивните модели. Ова не важи за многу други болести, и како резултат на тоа, постои поголема празнина за затворање на овие третмани.

Друг важен факт е дека сегашниот модел за развој на лекови на компанијата се занимава само со почетниот процес на откривање и дека молекулите генерирани од нивниот модел сè уште ќе бараат многу измени и оптимизации пред молекулите потенцијално да се користат за клинички испитувања.

Според WiredИзвршниот директор на Insilico Medicine, Алекс Жарворноков, признава дека нивниот лек управуван со вештачка интелигенција не е подготвен за теренска употреба, а сегашната студија е само доказ за концептот. Целта на овој експеримент беше да се види колку брзо лекот може да се дизајнира со помош на системи за вештачка интелигенција. Сепак, Жаворноков забележува дека истражувачите биле во можност да дизајнираат потенцијално корисна молекула многу побрзо отколку што би можеле да имаат доколку користеле редовни методи за откривање лекови.

И покрај предупредувањата, истражувањето на Insilico Medicine сè уште претставува забележителен напредок во употребата на вештачката интелигенција за создавање нови лекови. Усовршувањето на техниките користени во студијата би можело значително да го скрати времето потребно за развој на нов лек. Ова може да се покаже особено корисно во ера кога бактериите отпорни на антибиотици се размножуваат и многу претходно ефективни лекови ја губат својата моќ.