AI ใช้ในการสร้างโมเลกุลยาที่สามารถต่อสู้กับโรคฟิบรอซิส

การสร้างยาทางการแพทย์ใหม่ๆ เป็นกระบวนการที่ซับซ้อนและต้องใช้เวลาหลายปีในการวิจัยและใช้เงินหลายพันล้านดอลลาร์ แต่ก็เป็นการลงทุนที่สำคัญสำหรับสุขภาพของคนเรา อินเทลลิเจนต์आर์ติฟิเชียลสามารถช่วยให้การค้นพบยาทางการแพทย์ใหม่ๆ ง่ายขึ้นและเร็วขึ้น หากผลงานล่าสุดของสตาร์ทอัพ Insilico Medicine ยังคงดำเนินต่อไป ตามรายงานของ SingularityHub สตาร์ทอัพ AI ได้ใช้ AI ในการออกแบบโมเลกุลที่สามารถต่อสู้กับโรคฟิบรอซิสได้

เนื่องจากกระบวนการค้นพบโมเลกุลใหม่ๆ สำหรับยาทางการแพทย์เป็นกระบวนการที่ซับซ้อนและใช้เวลานาน นักวิทยาศาสตร์และวิศวกรจึงพยายามหาวิธีการเร่งกระบวนการนี้อยู่เสมอ ความคิดในการใช้คอมพิวเตอร์ช่วยในการค้นพบยาทางการแพทย์ใหม่ๆ ไม่ใช่เรื่องใหม่ แต่ความก้าวหน้าในด้านนี้ได้ดำเนินไปอย่างช้าๆ โดยวิศวกรต้องพยายามหาอัลกอริทึมที่เหมาะสมสำหรับการสร้างยาทางการแพทย์

การเรียนรู้ลึก (Deep Learning) ได้เริ่มทำให้การค้นพบยาทางการแพทย์โดยใช้ AI มีความเป็นไปได้มากขึ้น โดยบริษัทเภสัชกรรมหลายแห่งได้ลงทุนอย่างหนักในสตาร์ทอัพ AI ในช่วงไม่กี่ปีที่ผ่านมา บริษัทหนึ่งได้ใช้ AI ในการออกแบบโมเลกุลที่สามารถต่อสู้กับโรคฟิบรอซิสได้ โดยใช้เวลาเพียง 46 วันในการออกแบบโมเลกุลที่คล้ายกับยาทางการแพทย์ Insilico Medicine ได้รวมเทคนิคการเรียนรู้ลึกสองแบบเข้าด้วยกันเพื่อให้ได้ผลลัพธ์นี้: การเรียนรู้แบบเสริม (Reinforcement Learning) และเครือข่ายแบบกันเอง (Generative Adversarial Networks หรือ GANs)

การเรียนรู้แบบเสริม เป็นวิธีการเรียนรู้ของเครื่องจักรที่กระตุ้นให้โมเดลเครื่องจักรทำการตัดสินใจโดยให้เครือข่ายได้รับข้อเสนอแนะที่กระตุ้นให้เกิดการตอบสนอง โมเดลสามารถถูกลงโทษสำหรับการตัดสินใจที่ไม่พึงประสงค์หรือได้รับรางวัลสำหรับการตัดสินใจที่พึงประสงค์ โดยใช้การเสริมทั้งลบและบวก โมเดลจะถูกนำไปสู่การตัดสินใจที่ต้องการ และจะพยายามลดการลงโทษและเพิ่มรางวัลให้สูงสุด

ในขณะเดียวกัน เครือข่ายแบบกันเองเป็น “กันเอง” เพราะ ประกอบด้วยเครือข่ายประสาทสองแบบที่ต่อสู้กัน เครือข่ายเหล่านี้ได้รับตัวอย่างวัตถุเพื่อฝึกอบรม โดยทั่วไปเป็นรูปภาพ หน้าที่ของเครือข่ายหนึ่งคือการสร้างวัตถุปลอมที่มีลักษณะคล้ายกับวัตถุจริงมากพอที่จะทำให้เข้าใจผิดว่าเป็นวัตถุจริง หน้าที่ของเครือข่ายอื่นคือการตรวจจับวัตถุปลอม เครือข่ายทั้งสองพยายามที่จะเอาชนะกันและกัน และเมื่อเครือข่ายทั้งสองมีการปรับปรุงประสิทธิภาพเพื่อเอาชนะกันและกัน สิ่งนี้จะนำไปสู่การสร้างโมเดลที่สามารถสร้างวัตถุปลอมที่แทบจะไม่สามารถแยกแยะจากวัตถุจริงได้

โดยการรวมทั้ง GANs และการเรียนรู้แบบเสริมเข้าด้วยกัน นักวิจัยสามารถสร้างโมเดลที่สามารถผลิตโมเลกุลยาทางการแพทย์ใหม่ๆ ที่คล้ายกับยาทางการแพทย์ที่มีอยู่แล้วได้

ผลลัพธ์ของการทดลองของ Insilico Medicine เกี่ยวกับการค้นพบยาทางการแพทย์โดยใช้ AI ได้รับการตีพิมพ์ในวารสาร Nature Biotechnology ในบทความนี้ นักวิจัยได้พูดถึงวิธีการฝึกอบรมโมเดลการเรียนรู้ลึก นักวิจัยได้ใช้การแสดงโมเลกุลที่ใช้ในยาทางการแพทย์เพื่อจัดการกับโปรตีนที่เกี่ยวข้องกับโรคฟิบรอซิส และใช้โมเลกุลเหล่านี้เป็นพื้นฐานสำหรับการฝึกอบรม โมเดลที่รวมกันได้สามารถสร้างโมเลกุลยาทางการแพทย์ใหม่ๆ ได้ประมาณ 30,000 โมเลกุล

นักวิจัยได้เลือกโมเลกุลที่มีแนวโน้มมากที่สุด 6 โมเลกุลเพื่อทดสอบในห้องปฏิบัติการ โมเลกุลเหล่านี้ถูกสังเคราะห์ในห้องปฏิบัติการและใช้ในการทดสอบที่ติดตามความสามารถในการโจมตีโปรตีนที่เกี่ยวข้องกับโรคฟิบรอซิส โมเลกุลหนึ่งดูเหมือนจะมีแนวโน้มมาก โดยให้ผลลัพธ์ที่ต้องการในยาทางการแพทย์

เป็นเรื่องสำคัญที่ต้องทราบว่ายาที่ใช้ในการทดลองนี้ได้รับการวิจัยอย่างกว้างขวางแล้ว โดยมียาที่มีประสิทธิภาพหลายชนิดสำหรับโรคฟิบรอซิสอยู่แล้ว นักวิจัยสามารถอ้างอิงยาที่มีอยู่แล้วได้ และสิ่งนี้ทำให้ทีมวิจัยมีข้อมูลที่จะฝึกอบรมโมเดลของตน

สิ่งสำคัญอีกประการหนึ่งคือโมเดลการพัฒนายาทางการแพทย์ของบริษัทในปัจจุบันจัดการกับกระบวนการค้นพบเพียงอย่างเดียว และโมเลกุลที่สร้างโดยโมเดลของพวกเขายังคงต้องมีการปรับปรุงและปรับแต่งหลายอย่างก่อนที่จะสามารถใช้ในการทดลองทางคลินิกได้

ตามรายงานของ Wired ซีอีโอของ Insilico Medicine Alex Zhavornokov ยอมรับว่ายาทางการแพทย์ที่ได้รับการออกแบบโดย AI ของพวกเขายังไม่พร้อมสำหรับการใช้งานจริง โดยการศึกษานี้เป็นเพียงการแสดงแนวคิดเท่านั้น เป้าหมายของการทดลองนี้คือเพื่อดูว่าสามารถออกแบบยาทางการแพทย์ได้เร็วเพียงใดโดยใช้ระบบ AI Zhavornokov ระบุว่านักวิจัยสามารถออกแบบโมเลกุลที่มีแนวโน้มมากได้เร็วกว่าที่พวกเขาจะทำได้หากใช้วิธีการค้นพบยาทางการแพทย์แบบปกติ

尽管มีข้อจำกัด การวิจัยของ Insilico Medicine ยังคงเป็นการพัฒนาที่สำคัญในเรื่องการใช้ AI ในการสร้างยาทางการแพทย์ใหม่ๆ การปรับปรุงเทคนิคที่ใช้ในการศึกษานี้สามารถช่วยลดเวลาในการพัฒนายาทางการแพทย์ใหม่ๆ ได้มาก ซึ่งจะช่วยได้มากในยุคที่แบคทีเรียที่ต้านทานยาปฏิชีวนะกำลังแพร่กระจายและยาทางการแพทย์หลายชนิดที่มีประสิทธิภาพในอดีตกำลังเสื่อมสภาพ