AI wordt gebruikt om een medicijnmolecuul te creëren dat fibrose zou kunnen bestrijden

Het creëren van nieuwe medicijnen is een complex proces dat jaren van onderzoek en miljarden dollars kan kosten. Toch is het een belangrijke investering om te maken voor de gezondheid van mensen. Kunstmatige intelligentie kan het ontdekken van nieuwe medicijnen potentieel gemakkelijker en aanzienlijk sneller maken als het recente werk van het startupbedrijf Insilico Medicine voortgang blijft maken. Zoals gerapporteerd door SingularityHub, heeft het AI-startupbedrijf onlangs AI gebruikt om een molecuul te ontwerpen dat fibrose zou kunnen bestrijden.

Gezien de complexiteit en tijdsduur van het proces van het ontdekken van nieuwe moleculen voor een medicijn, zoeken wetenschappers en ingenieurs constant naar manieren om het te versnellen. Het idee om computers te gebruiken om te helpen bij het ontdekken van nieuwe medicijnen is niets nieuws, aangezien het concept al decennia bestaat. Echter, de vooruitgang op dit gebied is langzaam geweest, waarbij ingenieurs moeite hebben om de juiste algoritmen voor medicijncreatie te vinden.

Diepe leerprocessen zijn begonnen om AI-gedreven medicijnontdekking meer haalbaar te maken, waarbij farmaceutische bedrijven zwaar investeren in AI-startups in de afgelopen jaren. Een bedrijf is erin geslaagd om AI te gebruiken om een molecuul te ontwerpen dat fibrose zou kunnen bestrijden, waarbij het slechts 46 dagen duurde om een molecuul te creëren dat lijkt op therapeutische medicijnen. Insilco Medicine combineerde twee verschillende diepe leertechnieken om dit resultaat te bereiken: versterkend leren en generatieve tegenstrijdige netwerken (GAN’s).

Versterkend leren is een machine learning-methode die de machine learning-model aanmoedigt om bepaalde beslissingen te nemen door de netwerk met feedback te voorzien die bepaalde reacties oproept. Het model kan worden gestraft voor het maken van ongewenste keuzes of beloond voor het maken van gewenste keuzes. Door een combinatie van zowel negatieve als positieve versterking te gebruiken, wordt het model geleid naar het maken van gewenste beslissingen, en zal het trendmatig beslissingen nemen die de straf minimaliseren en de beloning maximaliseren.

Ondertussen zijn generatieve tegenstrijdige netwerken “tegenstrijdig” omdat ze bestaan uit twee verschillende neurale netwerken die tegen elkaar worden uitgespeeld. De twee netwerken krijgen voorbeelden van objecten om op te trainen, vaak afbeeldingen. De taak van het ene netwerk is om een namaakobject te creëren, iets dat voldoende lijkt op het echte object dat het kan worden verward met het echte artikel. De taak van het tweede netwerk is om namaakobjecten te detecteren. De twee netwerken proberen elkaar te overtreffen, en omdat ze allebei hun prestaties verbeteren om de andere netwerk te overtreffen, leidt deze virtuele wapenwedloop ertoe dat het namaakmodel objecten genereert die bijna niet te onderscheiden zijn van het echte artikel.

Door zowel GAN’s als versterkend leren algoritmen te combineren, konden de onderzoekers hun modellen nieuwe medicijnmoleculen produceren die extreem lijken op reeds bestaande therapeutische medicijnen.

De resultaten van Insilico Medicine’s experimenten met AI-medicijnontdekking werden onlangs gepubliceerd in het tijdschrift Nature Biotechnology. In het artikel bespreken de onderzoekers hoe de diepe leermodellen werden getraind. De onderzoekers namen representaties van moleculen die al in medicijnen werden gebruikt om eiwitten te behandelen die betrokken zijn bij idiopathische longfibrose of IPF. Deze moleculen werden gebruikt als basis voor training en de gecombineerde modellen konden ongeveer 30.000 mogelijke medicijnmoleculen genereren.

De onderzoekers sorteerden vervolgens door de 30.000 kandidaat-moleculen en selecteerden de zes meest veelbelovende moleculen voor laboratoriumtesten. Deze zes finalisten werden in het laboratorium gesynthetiseerd en gebruikt in een reeks tests die hun vermogen om het IPF-eiwit te richten, volgden. Een molecuul, in het bijzonder, leek veelbelovend, aangezien het het soort resultaten opleverde dat gewenst is in een medicijn.

Het is belangrijk om te noteren dat het fibrose-medicijn dat in het experiment werd gericht, al uitgebreid is onderzocht, met meerdere effectieve medicijnen die al bestaan voor het behandelen ervan. De onderzoekers konden naar deze medicijnen verwijzen, en dit gaf het onderzoeksteam een voorsprong, aangezien ze een aanzienlijke hoeveelheid gegevens hadden om hun modellen op te trainen. Dit is niet het geval voor veel andere ziekten, en als gevolg daarvan is er een grotere kloof te overbruggen voor deze behandelingen.

Een ander belangrijk feit is dat het huidige medicijnontwikkelingsmodel van het bedrijf alleen te maken heeft met het initiële ontdekkingsproces, en dat de moleculen die door hun model worden gegenereerd, nog veel aanpassingen en optimalisaties nodig zullen hebben voordat ze potentieel kunnen worden gebruikt voor klinische trials.

Volgens Wired, erkent de CEO van Insilico Medicine, Alex Zharvornokov, dat hun AI-gedreven medicijn nog niet klaar is voor gebruik in het veld, met het huidige onderzoek slechts een bewijs van concept. Het doel van dit experiment was om te zien hoe snel een medicijn kon worden ontworpen met de hulp van AI-systemen. Echter, Zhavornokov merkt op dat de onderzoekers in staat waren om een potentieel nuttig molecuul te ontwerpen veel sneller dan ze hadden kunnen doen als ze reguliere medicijnontdekkingsmethoden hadden gebruikt.

Ondanks de voorbehouden, vertegenwoordigt Insilico Medicine’s onderzoek nog steeds een opmerkelijke vooruitgang in het gebruik van AI om nieuwe medicijnen te creëren. De verfijning van de technieken die in de studie werden gebruikt, kan de tijd die nodig is om een nieuw medicijn te ontwikkelen, aanzienlijk verkorten. Dit kan vooral nuttig zijn in een tijdperk waarin antibioticumresistente bacteriën zich verspreiden en veel eerder effectieve medicijnen hun kracht verliezen.