Использование ИИ для создания молекулы препарата, который может бороться с фиброзом

Создание новых медицинских препаратов – это сложный процесс, который может занять годы исследований и миллиарды долларов. Однако это важные инвестиции в здоровье людей. Искусственный интеллект может потенциально сделать открытие новых препаратов проще и быстрее, если недавняя работа стартапа Insilico Medicine продолжит прогрессировать. Как сообщает SingularityHub, стартап ИИ недавно использовал ИИ для проектирования молекулы, которая может бороться с фиброзом.

Учитывая, насколько сложным и длительным является процесс открытия новых молекул для препарата, ученые и инженеры постоянно ищут способы ускорить его. Идея использования компьютеров для помощи в открытии новых препаратов не нова, поскольку эта концепция существует уже десятилетия. Однако прогресс в этой области был медленным, и инженеры боролись с поиском правильных алгоритмов для создания препаратов.

Глубокое обучение начало делать открытие препаратов с помощью ИИ более жизнеспособным, и фармацевтические компании инвестировали大量 средств в стартапы ИИ за последние несколько лет. Одна компания смогла использовать ИИ для проектирования молекулы, которая может бороться с фиброзом, потратив на это всего 46 дней. Insilco Medicine объединила два разных метода глубокого обучения, чтобы достичь этого результата: обучение с подкреплением и генеративные состязательные сети (GANs).

Обучение с подкреплением – это метод машинного обучения, который побуждает модель машинного обучения принимать определенные решения, предоставляя сети обратную связь, которая вызывает определенные реакции. Модель может быть наказана за принятие нежелательных решений или награждена за принятие желательных решений. Используя комбинацию положительного и отрицательного подкрепления, модель направляется к принятию желательных решений и будет стремиться к принятию решений, которые минимизируют наказание и максимизируют награду.

Между тем, генеративные состязательные сети “состязательные”, потому что они состоят из двух разных нейронных сетей, противостоящих друг другу. Две сети получают примеры объектов для обучения, часто изображений. Задача одной сети – создать поддельный объект, что-то достаточно похожее на реальный объект, чтобы его можно было принять за настоящий. Задача второй сети – обнаружить поддельные объекты. Две сети пытаются превзойти друг друга, и поскольку они обе увеличивают свою производительность, чтобы превзойти другую сеть, это виртуальное соревнование приводит к тому, что поддельная модель генерирует объекты, которые почти неотличимы от настоящих.

Объединив алгоритмы GANs и обучения с подкреплением, исследователи смогли получить от своих моделей новые молекулы препаратов, чрезвычайно похожие на уже существующие терапевтические препараты.

Результаты экспериментов Insilico Medicine с открытием препаратов с помощью ИИ были недавно опубликованы в журнале Nature Biotechnology. В статье исследователи обсуждают, как были обучены глубокие модели обучения. Исследователи взяли представления молекул, уже используемых в препаратах для обработки белков, участвующих в идиопатическом легочном фиброзе или ИПФ. Эти молекулы были использованы в качестве основы для обучения, и объединенные модели смогли сгенерировать около 30 000 возможных молекул препаратов.

Исследователи затем отсортировали 30 000 кандидатных молекул и выбрали шесть самых перспективных молекул для лабораторного тестирования. Эти шесть финалистов были синтезированы в лаборатории и использованы в серии тестов, которые отслеживали их способность воздействовать на белок ИПФ. Одна молекула, в частности, показалась перспективной, поскольку она дала результаты, которые желательны в медицинском препарате.

Важно отметить, что препарат от фиброза, на который был направлен эксперимент, уже был тщательно изучен, и для него уже существуют эффективные препараты. Исследователи могли ссылаться на эти препараты, и это дало исследовательской команде преимущество, поскольку у них было много данных для обучения своих моделей. Это не так для многих других заболеваний, и в результате существует более значущая разница в лечении этих заболеваний.

Другим важным фактом является то, что текущая модель разработки препаратов компании занимается только начальными процессами открытия, и что молекулы, сгенерированные их моделью, все еще потребуют многих доработок и оптимизаций, прежде чем они потенциально смогут быть использованы для клинических испытаний.

По данным Wired, генеральный директор Insilico Medicine Алекс Жаворонков признает, что их препарат, созданный с помощью ИИ, еще не готов для использования, и что текущее исследование является лишь концепцией доказательства. Цель этого эксперимента была увидеть, насколько быстро можно спроектировать препарат с помощью систем ИИ. Однако Жаворонков отмечает, что исследователи смогли спроектировать потенциально полезную молекулу гораздо быстрее, чем они могли бы, если бы использовали обычные методы открытия препаратов.

Несмотря на оговорки, исследование Insilico Medicine все еще представляет собой заметный прогресс в использовании ИИ для создания новых препаратов. Усовершенствование методов, использованных в исследовании, может существенно сократить время, необходимое для разработки нового препарата. Это может оказаться особенно полезным в эпоху, когда антибиотико-резистентные бактерии распространяются и многие ранее эффективные препараты теряют свою эффективность.