ИИ используется 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 также важная инвестиция для здоровья людей. Искусственный интеллект потенциально может сделать открытие новых препаратов проще и намного 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 этом направлении 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 противостоящие 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 как отрицательного, так и положительного подкрепления, модель направляется к принятию желаемых решений, и она будет стремиться к принятию решений, которые минимизируют наказание и максимизируют награду.

Между тем, генеративные противостоящие сети являются “противостоящими”, потому что они состоят из двух разных нейронных сетей, которые противопоставляются 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 настоящую вещь. Задача второй сети – обнаружить поддельные объекты. Две сети пытаются превзойти другую сеть, и поскольку они обе повышают свою производительность, чтобы превзойти другую сеть, это виртуальное соревнование приводит к тому, что поддельная модель генерирует объекты, которые почти неотличимы от настоящих.

Объединив как GANs, так и алгоритмы обучения с подкреплением, исследователи смогли заставить свои модели производить 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 модели глубокого 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 тот вид результатов, который желателен в медицинском препарате.

Важно отметить, что препарат от фиброза, нацеленный в эксперименте, уже был обширно изучен, и для него уже существуют несколько эффективных препаратов. Исследователи могли ссылаться на эти препараты, и это дало исследовательской команде преимущество, поскольку у них было значительное количество данных для обучения своих моделей. Это не является истинным для многих других заболеваний, и в результате существует более крупная разница, которую необходимо преодолеть в этих методах лечения.

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, разработанный с помощью ИИ, еще не готов для использования в поле, и что текущее исследование является лишь концепцией. Цель этого эксперимента заключалась в том, чтобы увидеть, насколько быстро можно разработать препарат с помощью систем ИИ. Однако Жаворонков отмечает, что исследователи смогли разработать потенциально полезную молекулу намного 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. Уточнение методов, использованных в исследовании, может существенно сократить время, необходимое для разработки нового препарата. Это может оказаться особенно полезным в эпоху, когда антибиотикоустойчивые бактерии распространяются и многие ранее эффективные препараты теряют свою эффективность.