Штучний інтелект використовується для створення молекули препарату, який може боротися з фіброзом

Створення нових лікарських препаратів – це складний процес, який може тривати роки досліджень і мільярди доларів. Однак це також важлива інвестиція для здоров’я людей. Штучний інтелект потенційно може зробити відкриття нових препаратів легшим і значно швидшим, якщо недавня робота стартапу Insilico Medicine продовжить прогрес. Як повідомляє SingularityHub, стартап з штучним інтелектом недавно використав штучний інтелект для розробки молекули, яка могла б боротися з фіброзом.

Відповідно до того, наскільки складним і тривалим є процес відкриття нових молекул для препарату, вчені та інженери постійно шукають способи прискорити його. Ідея використання комп’ютерів для допомоги у відкритті нових препаратів не нова, оскільки ця концепція існує вже десятиліття. Однак прогрес на цьому фронті був повільним, інженери боролися за те, щоб знайти правильні алгоритми для створення препаратів.

Глибоке навчання почало робити відкриття препаратів з використанням штучного інтелекту більш життєздатним, фармацевтичні компанії інвестують великі кошти в стартапи з штучним інтелектом за останні кілька років. Одна компанія змогла використати штучний інтелект для розробки молекули, яка могла б боротися з фіброзом, витративши лише 46 днів на розробку молекули, подібної до терапевтичних препаратів. Insilco Medicine поєднала два різні методи глибокого навчання, щоб досягти цього результату: підкріплення навчання та генеративні суперницькі мережі (GANs).

Підкріплення навчання – це метод машинного навчання, який заохочує модель машинного навчання до прийняття певних рішень, надавши мережі зворотний зв’язок, який викликає певні реакції. Модель може бути покарана за прийняття нежаданих рішень або винагороджена за прийняття бажаних рішень. Використовуючи поєднання негативного та позитивного підкріплення, модель спрямовується до прийняття бажаних рішень, і вона буде схилятися до прийняття рішень, які мінімізують покарання та максимізують винагороду.

Тим часом, генеративні суперницькі мережі є “суперницькими”, оскільки вони складаються з двох різних нейронних мереж, які протистоять одна одній. Дві мережі отримують приклади об’єктів для навчання, часто зображень. Робота однієї мережі полягає в створенні підробленого об’єкта, чогось достатньо схожого на справжній об’єкт, щоб його можна було сплутати з справжнім. Робота другої мережі полягає в тому, щоб виявити підроблені об’єкти. Дві мережі намагаються перевершити одна одну, і оскільки вони обидві підвищують свою продуктивність, щоб перевершити одну одну, ця віртуальна гонка озброєння веде до того, що підробна модель генерує об’єкти, які майже не відрізняються від справжніх.

Поєднавши обидва GANs і алгоритми підкріплення навчання, дослідники змогли змусити свої моделі виробляти нові молекули препаратів надзвичайно схожі на вже існуючі терапевтичні препарати.

Результати експериментів Insilico Medicine з відкриттям препаратів з використанням штучного інтелекту були недавно опубліковані в журналі Nature Biotechnology. У статті дослідники обговорюють, як глибокі моделі навчання були навчені. Дослідники взяли представлення молекул, вже використовуваних у препаратах, для обробки білків, залучених до ідіопатичної легеневої фіброзу або ІПФ. Ці молекули були використані як основа для навчання, а поєднані моделі змогли згенерувати близько 30 000 можливих молекул препаратів.

Дослідники потім відсортували 30 000 кандидатських молекул і обрали шість найперспективніших молекул для лабораторного тестування. Ці шість фіналістів були синтезовані в лабораторії та використані в серії тестів, які відстежували їхню здатність націлюватися на білок ІПФ. Одна молекула, зокрема, здавалася перспективною, оскільки вона дала той результат, який бажаний у лікарському препараті.

Важливо відзначити, що препарат проти фіброзу, націлений в експерименті, вже був обширно досліджений, з кількома ефективними препаратами, вже існуючими для нього. Дослідники могли посилатися на ці препарати, і це дало команді досліджень певну перевагу, оскільки у них було значна кількість даних для навчання їхніх моделей. Це не справедливо для багатьох інших захворювань, і в результаті існує більша прогалина, яку потрібно закрити щодо цих методів лікування.

Іншим важливим фактом є те, що поточна модель розробки препаратів компанії займається лише початковим процесом відкриття, а молекули, згенеровані їхньою моделлю, все ще потребуватимуть багатьох доробок і оптимізацій, перш ніж вони потенційно могли б бути використані для клінічних випробувань.

За даними Wired, генеральний директор Insilico Medicine Алекс Жаворнаков визнає, що їхній препарат, створений з використанням штучного інтелекту, ще не готовий для польового використання, а поточне дослідження є лише концепцією доказу. Метою цього експерименту було побачити, як швидко можна розробити препарат за допомогою систем штучного інтелекту. Однак Жаворнаков зауважує, що дослідники змогли розробити потенційно корисну молекулу значно швидше, ніж вони могли б, якщо б використовували звичайні методи відкриття препаратів.

Незважаючи на застереження, дослідження Insilico Medicine все ж представляє помітний прогрес у використанні штучного інтелекту для створення нових препаратів. Удосконалення технік, використаних у дослідженні, може суттєво скоротити час, необхідний для розробки нового препарату. Це може бути особливо корисним у епоху, коли антибіотикорезистентні бактерії поширюються, а багато раніше ефективних препаратів втрачають свою потужність.