Sztuczna inteligencja wykorzystana do stworzenia cząsteczki leku, która może zwalczać zwłóknienie

Tworzenie nowych leków to złożony proces, który może zająć lata badań i miliardy dolarów. Jest to jednak także ważna inwestycja dla zdrowia ludzi. Sztuczna inteligencja może potencjalnie ułatwić i znacznie przyspieszyć odkrywanie nowych leków, jeśli ostatnie prace startupu Insilico Medicine będą nadal posuwać się do przodu. Jak donosi SingularityHub, startup zajmujący się sztuczną inteligencją wykorzystał niedawno sztuczną inteligencję do zaprojektowania cząsteczki, która mogłaby zwalczać zwłóknienie.

Biorąc pod uwagę, jak złożony i czasochłonny jest proces odkrywania nowych cząsteczek leku, naukowcy i inżynierowie nieustannie szukają sposobów na jego przyspieszenie. Pomysł wykorzystania komputerów do odkrywania nowych leków nie jest niczym nowym, ponieważ koncepcja ta istnieje od dziesięcioleci. Postęp w tym zakresie jest jednak powolny, a inżynierowie mają trudności ze znalezieniem odpowiednich algorytmów do tworzenia leków.

Głębokie uczenie zaczęło sprawiać, że odkrywanie leków w oparciu o sztuczną inteligencję stało się bardziej opłacalne, a firmy farmaceutyczne w ciągu ostatnich kilku lat dużo inwestowały w start-upy oparte na sztucznej inteligencji. Pewnej firmie udało się wykorzystać sztuczną inteligencję do zaprojektowania cząsteczki, która mogłaby zwalczać zwłóknienie, a stworzenie cząsteczki przypominającej leki terapeutyczne zajęło zaledwie 46 dni. Aby osiągnąć ten wynik, firma Insilco Medicine połączyła dwie różne techniki głębokiego uczenia się: uczenie się przez wzmacnianie i generatywne sieci kontradyktoryjne (GAN).

Uczenie się przez wzmocnienie to metoda uczenia maszynowego, która zachęca model uczenia maszynowego do podejmowania określonych decyzji poprzez dostarczanie sieci informacji zwrotnej, która wywołuje określone reakcje. Model może zostać ukarany za dokonanie niepożądanych wyborów lub nagrodzony za dokonanie pożądanych wyborów. Stosując kombinację wzmocnienia negatywnego i pozytywnego, model jest nakierowany na podejmowanie pożądanych decyzji i będzie miał tendencję do podejmowania decyzji, które minimalizują karę i maksymalizują nagrodę.

Tymczasem generatywne sieci przeciwne są „przeciwstawne”, ponieważ składają się z dwóch różnych sieci neuronowych walczących ze sobą. Obie sieci otrzymują przykłady obiektów do trenowania, często obrazów. Zadaniem jednej sieci jest stworzenie fałszywego przedmiotu, czegoś na tyle podobnego do prawdziwego przedmiotu, że można go pomylić z produktem oryginalnym. Zadaniem drugiej sieci jest wykrywanie fałszywych przedmiotów. Obie sieci próbują przewyższyć drugą sieć, a ponieważ obie zwiększają swoją wydajność, aby pokonać drugą sieć, ten wirtualny wyścig zbrojeń prowadzi do powstania fałszywego modelu generującego obiekty, które są prawie nie do odróżnienia od prawdziwych.

Łącząc algorytmy GANS i uczenia się przez wzmacnianie, badaczom udało się stworzyć w swoich modelach nowe cząsteczki leków niezwykle podobne do już istniejących leków terapeutycznych.

Wyniki eksperymentów Insilico Medicine z odkrywaniem leków AI opublikowano niedawno w czasopiśmie Nature Biotechnology. W artykule naukowcy omawiają sposób trenowania modeli głębokiego uczenia się. Naukowcy wykorzystali reprezentacje cząsteczek już stosowanych w lekach do obsługi białek zaangażowanych w idiopatyczne zwłóknienie płuc, czyli IPF. Cząsteczki te posłużyły jako podstawa do uczenia, a połączone modele umożliwiły wygenerowanie około 30,000 XNUMX możliwych cząsteczek leku.

Następnie badacze przesortowali 30000 XNUMX potencjalnych cząsteczek i wybrali sześć najbardziej obiecujących cząsteczek do testów laboratoryjnych. Tych sześciu finalistów zsyntetyzowano w laboratorium i wykorzystano w serii testów sprawdzających ich zdolność do atakowania białka IPF. Szczególnie jedna cząsteczka wydawała się obiecująca, ponieważ zapewniała rezultaty pożądane w przypadku leku medycznego.

Należy zauważyć, że lek przeciw zwłóknieniu będący celem eksperymentu został już szeroko zbadany i istnieje już wiele skutecznych leków na ten lek. Naukowcy mogli odwoływać się do tych leków, co zapewniło zespołowi badawczemu przewagę, ponieważ dysponował znaczną ilością danych, na których mógł szkolić swoje modele. Nie dotyczy to wielu innych chorób, w związku z czym istnieje większa luka w leczeniu tych metod leczenia.

Innym ważnym faktem jest to, że obecny model opracowywania leków firmy obejmuje jedynie początkowy proces odkrywania i że cząsteczki wygenerowane w ramach tego modelu będą nadal wymagały wielu poprawek i optymalizacji, zanim cząsteczki będą mogły zostać potencjalnie wykorzystane w badaniach klinicznych.

Według Wired, dyrektor generalny Insilico Medicine Alex Zharvornokov przyznaje, że ich lek oparty na sztucznej inteligencji nie jest gotowy do stosowania w terenie, a obecne badanie stanowi jedynie weryfikację koncepcji. Celem tego eksperymentu było sprawdzenie, jak szybko można zaprojektować lek przy pomocy systemów sztucznej inteligencji. Zhavornokov zauważa jednak, że badaczom udało się zaprojektować potencjalnie użyteczną cząsteczkę znacznie szybciej, niż byłoby to możliwe, gdyby stosowali zwykłe metody odkrywania leków.

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