ИИ использовался для создания молекулы лекарства, которое могло бы бороться с фиброзом

Создание новых медицинских препаратов — сложный процесс, который может занять годы исследований и миллиарды долларов. Тем не менее, это также важная инвестиция в здоровье людей. Искусственный интеллект потенциально может облегчить и значительно ускорить открытие новых лекарств, если недавняя работа стартапа Insilico Medicine продолжит развиваться. Об этом сообщает SingularityHub., стартап AI недавно использовал ИИ для разработки молекулы, которая могла бы бороться с фиброзом.

Учитывая, насколько сложным и трудоемким является процесс открытия новых молекул для лекарства, ученые и инженеры постоянно ищут способы ускорить его. В идее использования компьютеров для открытия новых лекарств нет ничего нового, поскольку эта концепция существует уже несколько десятилетий. Однако прогресс на этом фронте был медленным, и инженеры изо всех сил пытались найти правильные алгоритмы для создания лекарств.

Глубокое обучение сделало открытие лекарств с помощью ИИ более жизнеспособным, и фармацевтические компании в последние несколько лет вкладывают значительные средства в стартапы ИИ. Одной компании удалось использовать ИИ для разработки молекулы, которая могла бы бороться с фиброзом, потратив всего 46 дней на то, чтобы придумать молекулу, напоминающую терапевтические лекарства. Insilco Medicine объединила две разные техники глубокого обучения для достижения этого результата: обучение с подкреплением и генеративно-состязательные сети (GAN).

Укрепление обучения — это метод машинного обучения, который побуждает модель машинного обучения принимать определенные решения, предоставляя сети обратную связь, которая вызывает определенные ответы. Модель может быть наказана за нежелательный выбор или вознаграждена за желательный выбор. Используя комбинацию как отрицательного, так и положительного подкрепления, модель направляется к принятию желаемых решений и будет стремиться к принятию решений, которые минимизируют наказание и максимизируют вознаграждение.

Следует также заметить, генеративные состязательные сети являются «состязательными», потому что они состоят из двух разных нейронных сетей, противостоящих друг другу. Двум сетям даны примеры объектов для обучения, часто изображения. Задача одной сети состоит в том, чтобы создать поддельный предмет, нечто достаточно похожее на настоящий предмет, чтобы его можно было спутать с подлинным предметом. Задача второй сети — обнаруживать поддельные объекты. Две сети пытаются превзойти другую сеть, и поскольку они обе увеличивают свою производительность, чтобы превзойти другую сеть, эта виртуальная гонка вооружений приводит к тому, что поддельная модель генерирует объекты, которые почти неотличимы от настоящих.

Объединив алгоритмы GANS и обучения с подкреплением, исследователи смогли заставить свои модели производить новые молекулы лекарств, очень похожие на уже существующие терапевтические препараты.

Результаты экспериментов Insilico Medicine по открытию лекарств с помощью ИИ были недавно опубликованы в журнале Nature Biotechnology. В статье исследователи обсуждают, как обучались модели глубокого обучения. Исследователи использовали представления молекул, уже используемых в лекарствах, для обработки белков, участвующих в идиопатическом легочном фиброзе или ИЛФ. Эти молекулы использовались в качестве основы для обучения, и комбинированные модели смогли создать около 30,000 XNUMX возможных молекул лекарств.

Затем исследователи отсортировали 30000 XNUMX молекул-кандидатов и выбрали шесть наиболее перспективных молекул для лабораторных испытаний. Эти шесть финалистов были синтезированы в лаборатории и использованы в серии тестов, которые отслеживали их способность нацеливаться на белок IPF. Одна молекула, в частности, казалась многообещающей, поскольку она давала результаты, ожидаемые от медицинского препарата.

Важно отметить, что лекарство от фиброза, на которое направлен эксперимент, уже было тщательно исследовано, и для него уже существует несколько эффективных препаратов. Исследователи могли сослаться на эти препараты, и это дало исследовательской группе преимущество, поскольку у них был значительный объем данных для обучения своих моделей. Это не относится ко многим другим заболеваниям, и в результате существует больший разрыв в этих методах лечения.

Еще одним важным фактом является то, что текущая модель разработки лекарств компании касается только начального процесса открытия, и что молекулы, созданные их моделью, по-прежнему потребуют многих настроек и оптимизаций, прежде чем молекулы потенциально можно будет использовать для клинических испытаний.

Согласно Wired, генеральный директор Insilico Medicine Алекс Жарворноков признает, что их лекарство, управляемое искусственным интеллектом, не готово для использования в полевых условиях, а текущее исследование является лишь доказательством концепции. Цель этого эксперимента состояла в том, чтобы увидеть, как быстро можно разработать лекарство с помощью систем искусственного интеллекта. Однако Жаворноков отмечает, что исследователи смогли разработать потенциально полезную молекулу намного быстрее, чем если бы они использовали обычные методы открытия лекарств.

Несмотря на оговорки, исследования Insilico Medicine по-прежнему представляют собой заметный прогресс в использовании ИИ для создания новых лекарств. Усовершенствование методов, использованных в исследовании, может существенно сократить время, необходимое для разработки нового лекарства. Это может оказаться особенно полезным в эпоху, когда устойчивые к антибиотикам бактерии размножаются, а многие ранее эффективные лекарства теряют свою эффективность.