AI нь фиброзтой тэмцэж чадах эмийн молекулыг бүтээхэд ашигласан

Эмнэлгийн шинэ эмийг бий болгох нь олон жилийн судалгаа, олон тэрбум доллар шаардагддаг нарийн төвөгтэй үйл явц юм. Гэсэн хэдий ч энэ нь хүмүүсийн эрүүл мэндийн төлөө хийх чухал хөрөнгө оруулалт юм. Хэрэв Insilico Medicine стартапын сүүлийн үеийн ажил ахиц дэвшил гаргавал хиймэл оюун ухаан нь шинэ эмийг нээхэд хялбар бөгөөд илүү хурдан болгох боломжтой. SingularityHub мэдээлснээр, хиймэл оюун ухааны стартап саяхан хиймэл оюун ухааныг ашиглан фиброзтой тэмцэх боломжтой молекулыг зохион бүтээжээ.

Мансууруулах бодисын шинэ молекулыг илрүүлэх үйл явц хичнээн төвөгтэй бөгөөд цаг хугацаа их шаарддаг тул эрдэмтэд, инженерүүд үүнийг хурдасгах арга замыг байнга хайж байдаг. Шинэ эм илрүүлэхэд компьютер ашиглах санаа нь шинэ зүйл биш бөгөөд энэ үзэл баримтлал олон арван жилийн турш оршин тогтнож ирсэн. Гэсэн хэдий ч инженерүүд эм бүтээх зөв алгоритмыг олох гэж тэмцэж байгаа тул энэ талын ахиц дэвшил удаашралтай байна.

Гүнзгий суралцах нь хиймэл оюун ухаанд суурилсан эмийн нээлтийг илүү үр дүнтэй болгож эхэлсэн бөгөөд эмийн компаниуд сүүлийн хэдэн жилийн хугацаанд хиймэл оюун ухаантай стартапуудад ихээхэн хөрөнгө оруулалт хийж байна. Нэг компани хиймэл оюун ухааныг ашиглан фиброзтой тэмцэх молекул зохион бүтээж чадсан бөгөөд эмчилгээний эмтэй төстэй молекулыг бүтээхэд ердөө 46 хоног зарцуулсан байна. Insilco Medicine нь энэхүү үр дүнд хүрэхийн тулд хоёр өөр гүнзгий суралцах арга техникийг хослуулсан: бэхжүүлэх сургалт ба generative adversarial network (GANs).

Арматурын сургалт Энэ нь сүлжээнд тодорхой хариулт өгөх санал хүсэлтийг өгөх замаар машин сургалтын загварыг тодорхой шийдвэр гаргахад түлхэц өгдөг машин сургалтын арга юм. Загвар өмсөгчийг хүсээгүй сонголт хийснийхээ төлөө шийтгэж эсвэл хүссэн сонголтоо хийснийхээ төлөө шагнаж болно. Сөрөг болон эерэг бататгалыг хослуулан хэрэглэснээр загвар нь хүссэн шийдвэр гаргахад чиглэгддэг бөгөөд шийтгэлийг багасгаж, шагналыг нэмэгдүүлэх шийдвэр гаргах хандлагатай болно.

Үүний зэрэгцээ, үүсгэгч сөрөг сүлжээнүүд Тэд бие биенийхээ эсрэг байрладаг хоёр өөр мэдрэлийн сүлжээнээс бүрддэг тул "сөргөлдөөнтэй" байдаг. Хоёр сүлжээнд сургах объектын жишээг ихэвчлэн дүрсээр өгдөг. Нэг сүлжээний ажил бол жинхэнэ зүйлд андуурч болохуйц жинхэнэ объекттой хангалттай төстэй хуурамч объект бүтээх явдал юм. Хоёр дахь сүлжээний ажил бол хуурамч объектыг илрүүлэх явдал юм. Хоёр сүлжээ нь нөгөө сүлжээгээ давж гарахыг хичээдэг бөгөөд хоёулаа нөгөө сүлжээг даван туулахын тулд гүйцэтгэлээ нэмэгдүүлж байгаа тул энэхүү виртуал зэвсгийн уралдаан нь бодит зүйлээс бараг ялгагдахааргүй хуурамч загварыг бий болгоход хүргэдэг.

GANS болон бэхжүүлэх сургалтын алгоритмуудыг хослуулснаар судлаачид өөрсдийн загварууд нь одоо байгаа эмчилгээний эмтэй маш төстэй шинэ эмийн молекулуудыг үйлдвэрлэх боломжтой болсон.

Insilico Medicine-ийн хиймэл оюун ухаантай эмийг илрүүлэх туршилтын үр дүнг саяхан Nature Biotechnology сэтгүүлд нийтлэв. Уг нийтлэлд судлаачид гүнзгий суралцах загваруудыг хэрхэн сургасан талаар ярилцдаг. Судлаачид уушигны уушигны фиброз буюу IPF-д оролцдог уурагтай харьцах эмэнд аль хэдийн ашиглагдаж байсан молекулуудын дүрслэлийг авсан. Эдгээр молекулуудыг сургалтын үндэс болгон ашигласан бөгөөд хосолсон загварууд нь 30,000 орчим эмийн молекулыг үүсгэх боломжтой болсон.

Судлаачид дараа нь 30000 нэр дэвшигч молекулуудыг ялгаж, лабораторийн шинжилгээнд хамгийн ирээдүйтэй зургаан молекулыг сонгов. Эдгээр зургаан финалд шалгарсан хүмүүсийг лабораторид нэгтгэж, IPF уураг руу чиглүүлэх чадварыг нь хянах хэд хэдэн туршилтанд ашигласан. Ялангуяа нэг молекул нь эмнэлгийн эмэнд хүссэн үр дүнг өгсөн тул ирээдүйтэй мэт санагдсан.

Туршилтанд зориулагдсан фиброзын эмийг аль хэдийн өргөн судалсан бөгөөд олон үр дүнтэй эмүүд аль хэдийн бэлэн болсон гэдгийг анхаарах нь чухал юм. Судлаачид эдгээр эмүүдийг дурдаж болох бөгөөд энэ нь судалгааны багийнханд загвараа сургах асар их мэдээлэлтэй байсан тул ахисан юм. Энэ нь бусад олон өвчний хувьд үнэн биш бөгөөд үр дүнд нь эдгээр эмчилгээнд илүү их зай завсарлагатай байдаг.

Өөр нэг чухал баримт бол компанийн одоогийн эм боловсруулах загвар нь зөвхөн анхны нээлтийн үйл явцтай холбоотой бөгөөд тэдгээрийн загвараар үүсгэгдсэн молекулуудыг эмнэлзүйн туршилтанд ашиглахын тулд олон тооны өөрчлөлт, оновчтой болгох шаардлагатай хэвээр байна.

Wired-ийн хэлснээр, Insilico Medicine-ийн гүйцэтгэх захирал Алекс Жарворноков тэдний хиймэл оюун ухаанаар удирддаг эм нь хээрийн хэрэглээнд бэлэн биш гэдгийг хүлээн зөвшөөрч байгаа бөгөөд одоогийн судалгаа нь зөвхөн үзэл баримтлалын нотолгоо юм. Энэхүү туршилтын зорилго нь хиймэл оюун ухааны системийн тусламжтайгаар эмийг хэр хурдан боловсруулж болохыг олж мэдэх явдал байв. Гэсэн хэдий ч, Жаворноков судлаачид эм илрүүлэх ердийн аргыг хэрэглэсэн бол ашигтай байж болох молекулыг илүү хурдан боловсруулж чадсан гэж тэмдэглэв.

Анхааруулгыг үл харгалзан Insilico Medicine-ийн судалгаа шинэ эм бүтээхэд хиймэл оюун ухааныг ашиглахад мэдэгдэхүйц ахиц дэвшил гаргасаар байна. Судалгаанд ашигласан техникийг боловсронгуй болгосноор шинэ эм боловсруулахад шаардагдах хугацааг мэдэгдэхүйц богиносгож чадна. Энэ нь ялангуяа антибиотикт тэсвэртэй бактери үржиж, өмнө нь үр дүнтэй байсан олон эм хүчээ алдаж байгаа эрин үед ашигтай байж болох юм.