Використання штучного інтелекту для створення молекули ліків, які можуть боротися з фіброзом

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

Відповідно до того, наскільки складним і тривалим є процес відкриття нових молекул для ліків, вчені та інженери постійно шукають способи прискорити його. Ідея використання комп’ютерів для допомоги в відкритті нових ліків не нова, оскільки ця концепція існує вже десятиліттями. Однак прогрес на цьому фронті був повільним, оскільки інженери боролися з пошуком правильних алгоритмів для створення ліків.

Глибоке навчання почало робити відкриття ліків з використанням штучного інтелекту більш життєздатним, оскільки фармацевтичні компанії вклали великі кошти в стартапи штучного інтелекту за останні кілька років. Одна компанія змогла використати штучний інтелект для розробки молекули, яка може боротися з фіброзом, витративши на це лише 46 днів. Insilco Medicine поєднала два різних методи глибокого навчання, щоб досягти цього результату: підкріплення навчання та генеративні адверсарні мережі (GAN).

Підкріплення навчання – це метод машинного навчання, який заохочує модель машинного навчання до прийняття певних рішень, надаючи мережі зворотний зв’язок, який викликає певні реакції. Модель може бути покарана за прийняття нежаданих рішень або винагороджена за прийняття бажаних рішень. Використовуючи комбінацію 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 адверсарні мережі “адверсарні”, оскільки вони складаються з двох різних нейронних мереж, які протистоять одна одній. Дві мережі отримують приклади об’єктів для навчання, часто зображень. Завдання однієї мережі – створити підроблений об’єкт, щось достатньо схоже на справжній об’єкт, щоб його можна було сплутати з справжнім. Завдання другої мережі – виявити підроблені об’єкти. Дві мережі намагаються перевершити одну одну, і оскільки вони обидві підвищують свою продуктивність, щоб перевершити одну одну, ця віртуальна гонка озброєння призводить до того, що підробна модель генерує об’єкти, які майже не відрізняються від справжніх.

Поєднавши обидва методи GAN і підкріплення навчання, дослідники змогли змусити свої моделі виробляти нові молекули ліків, які дуже схожі на вже існуючі терапевтичні ліки.

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

Дослідники потім відсортували 30 000 кандидатних молекул і вибрали шість найбільш перспективних 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 давала результати, яких бажають у лікарському препараті.

Важливо відзначити, що ліки проти фіброзу, націлені в експерименті, вже були обширно досліджені, з багатьма ефективними ліками, які вже існують для них. Дослідники могли посилатися на ці ліки, і це дало команді дослідників певну перевагу, оскільки у них було багато даних для навчання своїх 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 ліків компанії займається лише початковим процесом відкриття, і що молекули, згенеровані їхньою моделлю, все ще потребуватимуть багатьох доробок і оптимізацій, перш ніж вони потенційно зможуть бути використані для клінічних випробувань.

За повідомленням Wired, генеральний директор Insilico Medicine Олександр Жаворонков визнає, що їхній ліки, створені з використанням штучного інтелекту, ще не готові для використання в полі, а поточне дослідження є лише доказом концепції. Метою цього експерименту було побачити, як швидко можна розробити ліки з допомогою систем штучного інтелекту. Однак Жаворонков відзначає, що дослідники змогли розробити потенційно корисну молекулу значно швидше, ніж вони могли б, якщо б використовували звичайні методи відкриття ліків.

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