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

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

Biorąc pod uwagę, jak złożony i czasochłonny jest proces odkrywania nowych cząsteczek leków, naukowcy i inżynierowie ciągle 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 sprawiać, że odkrywanie leków za pomocą sztucznej inteligencji staje się bardziej realne, a firmy farmaceutyczne inwestują dużo pieniędzy w startupy sztucznej inteligencji w ciągu ostatnich kilku lat. Jedna firma udało się wykorzystać sztuczną inteligencję do zaprojektowania cząsteczki, która może zwalczać włóknienie, a cały proces trwał tylko 46 dni. Insilco Medicine połączyło dwie różne techniki głębokiego uczenia się, aby osiągnąć ten wynik: uczenie się wzmocnione i sieci generatywne przeciwstawne (GAN).

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

Natomiast sieci generatywne przeciwstawne są “przeciwstawne”, ponieważ składają się z dwóch różnych sieci neuronowych, które są ze sobą sprzeczne. Obie sieci są szkolone na przykładach obiektów, często obrazach. Zadaniem jednej sieci jest stworzenie fałszywego obiektu, czegoś wystarczająco podobnego do prawdziwego obiektu, aby można było je 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, ta wirtualna walka sprawia, że model generatywny tworzy obiekty, które są prawie nie do odróżnienia od prawdziwych.

Łącząc obie techniki, GAN i uczenie się wzmocnione, badacze byli w stanie wytworzyć nowe cząsteczki leków, które są bardzo podobne do już istniejących leków terapeutycznych.

Wyniki eksperymentów Insilico Medicine z odkrywaniem leków za pomocą 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 wykorzystywanych w lekach do radzenia sobie z białkami zaangażowanymi w idiopatyczne włóknienie płuc lub IPF. Cząsteczki te zostały wykorzystane 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 testowania w laboratorium. Sześć finalistów zostało zsyntetyzowanych w laboratorium i wykorzystanych w serii testów, które śledziły ich zdolność do celowania w białko IPF. Jedna cząsteczka okazała się szczególnie obiecująca, ponieważ wykazała wyniki, które są pożądane w leku medycznym.

Ważne jest, aby zauważyć, że lek przeciw włóknieniu, który był celem eksperymentu, został już obszernie zbadany, a istnieją już skuteczne leki na tę chorobę. Badacze mogli odwołać się do tych leków, co dało im przewagę, ponieważ mieli duże ilości danych do szkolenia swoich modeli. Nie dotyczy to jednak wielu innych chorób, a w związku z tym istnieje większa luka do zamknięcia w leczeniu tych chorób.

Kolejnym ważnym faktem jest to, że obecny model rozwoju leków firmy Insilico Medicine dotyczy tylko początkowego procesu odkrywania, a cząsteczki wygenerowane przez ich model będą wymagać wielu modyfikacji i optymalizacji, zanim będą mogły być potencjalnie wykorzystane w badaniach klinicznych.

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

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