Sztuczna inteligencja wykorzystana do stworzenia cząsteczki leku, który może walczyć z włóknieniem

Tworzenie nowych leków medycznych jest złożonym procesem, który może trwać latami i wymagać miliardów dolarów. Jest to jednak ważna inwestycja w zdrowie ludzi. Sztuczna inteligencja może potencjalnie ułatwić i znacznie przyspieszyć odkrywanie nowych leków, jeśli niedawne prace startupu Insilico Medicine będą kontynuowane. Jak donosi SingularityHub, startup Insilico Medicine wykorzystał sztuczną inteligencję do zaprojektowania cząsteczki, która może walczyć z włóknieniem.

Z uwagi na to, jak złożony i czasochłonny jest proces odkrywania nowych cząsteczek leków, naukowcy i inżynierowie stale szukają sposobów, aby go przyspieszyć. Pomysł wykorzystania komputerów do pomocy w odkrywaniu nowych leków nie jest nowy, ponieważ koncepcja ta istnieje od dziesięcioleci. Postęp w tej dziedzinie był jednak powolny, a inżynierowie mieli trudności z znalezieniem odpowiednich algorytmów do tworzenia leków.

Głębokie uczenie się zaczęło czynić odkrywanie leków przy użyciu sztucznej inteligencji bardziej wiarygodnym, a firmy farmaceutyczne inwestują dużo pieniędzy w startupy sztucznej inteligencji w ciągu ostatnich kilku lat. Jedna firma zdołała wykorzystać sztuczną inteligencję do zaprojektowania cząsteczki, która może walczyć z włóknieniem, co zajęło tylko 46 dni. Insilico Medicine połączyło dwie różne techniki głębokiego uczenia się, aby osiągnąć ten wynik: uczenie się wzmocnione i sieci generatywne przeciwstawne (GAN).

Uczenie się wzmocnione jest metodą uczenia się maszynowego, która zachęca model uczenia się maszynowego do podejmowania pewnych decyzji, dostarczając sieci informacji zwrotnej, która wywołuje pewne reakcje. Model może być karany za podejmowanie niepożądanych wyborów lub nagradzany za podejmowanie pożądanych wyborów. Wykorzystując kombinację negatywnej i pozytywnej informacji zwrotnej, model jest kierowany w stronę podejmowania pożądanych decyzji i będzie tendencją do podejmowania decyzji, które minimalizują karę i maksymalizują nagrodę.

Sieci generatywne przeciwstawne są “przeciwstawne”, ponieważ składają się z dwóch różnych sieci neuronowych, które są ze sobą zestawione. Obie sieci otrzymują przykłady obiektów do treningu, często obrazów. Zadaniem jednej sieci jest stworzenie fałszywego obiektu, czegoś wystarczająco podobnego do prawdziwego obiektu, aby można było go pomylić z oryginałem. Zadaniem drugiej sieci jest wykrywanie fałszywych obiektów. Obie sieci próbują przewyższyć siebie nawzajem, a ponieważ obie sieci zwiększają swoją wydajność, aby pokonać siebie nawzajem, ten wirtualny wyścig zbrojeń prowadzi do tego, że fałszywy model generuje obiekty, które są niemal nie do odróżnienia od prawdziwych.

Połączając obie techniki GAN i uczenia się wzmocnionego, badacze byli w stanie wytworzyć nowe cząsteczki leków, które są bardzo podobne do już istniejących leków terapeutycznych.

Wyniki eksperymentów Insilico Medicine z odkrywaniem leków przy użyciu sztucznej inteligencji zostały opublikowane w czasopiśmie Nature Biotechnology. W artykule badacze omawiają, jak modele głębokiego uczenia się były szkolone. Badacze wzięli pod uwagę reprezentacje cząsteczek już używanych w lekach do obsługi białek zaangażowanych w idiopatyczne włóknienie płucne lub IPF. Cząsteczki te zostały użyte jako podstawa do szkolenia, a połączone modele były w stanie wygenerować około 30 000 możliwych cząsteczek leków.

Następnie badacze przeszukali 30 000 kandydujących cząsteczek i wybrali sześć najbardziej obiecujących cząsteczek do testów laboratoryjnych. Sześć finalistów zostało zsyntetyzowanych w laboratorium i użytych w serii testów, które śledziły ich zdolność do celowania w białko IPF. Jedna cząsteczka, w szczególności, wydawała się obiecująca, ponieważ dostarczyła rodzaju wyników, jakich oczekuje się w leku medycznym.

Ważne jest, aby zauważyć, że lek przeciw włóknieniu, który był celem eksperymentu, został już obszernie zbadany, a wiele skutecznych leków już istnieje. Badacze mogli odnieść się do tych leków, co dało zespołowi badawczemu przewagę, ponieważ mieli znaczną ilość danych do szkolenia swoich modeli. Nie jest to prawdą w przypadku wielu innych chorób, a w efekcie istnieje większa luka do zamknięcia w tych leczeniach.

Innym ważnym faktem jest to, że obecny model rozwoju leków firmy Insilico Medicine zajmuje się tylko początkowym procesem odkrywania, a cząsteczki wygenerowane przez ich model będą wymagać wielu modyfikacji i optymalizacji, zanim będą mogły być potencjalnie użyte w badaniach klinicznych.

Według Wired, CEO Insilico Medicine, Alex Zhavornokov, przyznaje, że ich lek oparty na sztucznej inteligencji nie jest gotowy do użycia, a obecne badanie jest tylko pojęciem dowodowym. Celem tego eksperymentu było sprawdzenie, jak szybko można zaprojektować lek z pomocą systemów sztucznej inteligencji. Jednak Zhavornokov zauważa, że badacze byli w stanie zaprojektować potencjalnie użyteczną cząsteczkę znacznie szybciej, niż gdyby użyli zwykłych metod odkrywania leków.

Pomimo zastrzeżeń, badania Insilico Medicine nadal reprezentują znaczący postęp w wykorzystaniu sztucznej inteligencji do tworzenia nowych leków. Udoskonalenie technik stosowanych w badaniu może znacznie skrócić czas potrzebny do opracowania nowego leku. Może to okazać się szczególnie przydatne w erze, w której bakterie oporne na antybiotyki się rozprzestrzeniają, a wiele wcześniej skutecznych leków traci swoją skuteczność.