Tumšā naktī, tālu no pilsētas gaismas, Piena ceļa zvaigznes šķiet neaprēķināmas. Bet no jebkura brīža ar neapbruņotu aci ir redzamas ne vairāk kā 4500 zvaigznes. Mūsu galaktikā ir 100-400 miljardi no tiem, Visumā ir vēl vairāk galaktiku. Izrādās, ka nakts debesīs nav daudz zvaigžņu. Tomēr pat šis skaitlis mums paver dziļu ieskatu … narkotikas un narkotikas. Fakts ir tāds, ka iespējamo organisko savienojumu skaits ar ārstnieciskām īpašībām pārsniedz zvaigžņu skaitu Visumā vairāk nekā par 30 lielumu. Un ķīmiskās konfigurācijas, kuras zinātnieki rada no esošajām zālēm, ir līdzīgas zvaigznēm, kuras mēs naktī varam redzēt centrā.
Visu iespējamo narkotiku atrašana ir milzīgs uzdevums cilvēkiem, tāpat kā visas fiziskās telpas izpēte, un pat ja mēs varētu, lielākā daļa no tā, kas tika atklāts, neatbilstu mūsu mērķiem. Tomēr ideja par to, ka brīnumainas zāles varētu aizkavēties pārpilnībā, ir pārāk vilinoša, lai ignorētu.
Tāpēc mums vajadzētu izmantot mākslīgo intelektu, kas var smagi strādāt un paātrināt atklāšanu. Tā saka Alekss Žavoronkovs, kurš pagājušajā nedēļā uzstājās Eksponenciālajā medicīnā Sandjego. Šis lietojums varētu būt lielākais AI medicīnā.
Suņi, diagnostika un medikamenti
Žavoronkovs - Insilico Medicine un CSO Biogerontoloģijas pētījumu fonda izpilddirektors. Insilico ir viens no daudzajiem jaunizveidotajiem, kuri izstrādā AI, kas var paātrināt jaunu zāļu un narkotiku atklāšanu.
Pēdējos gados, pēc Zhavoronkova teiktā, slavenā mašīnmācīšanās tehnika - dziļā mācīšanās - ir progresējusi vairākās frontēs. Vislielāko interesi rada algoritmi, kas spēj iemācīties spēlēt videospēles - piemēram, AlphaGo Zero vai pokera spēlētājs Kārnegijs Melons. Bet modeļa atpazīšana ir tas, kas deva spēcīgu stimulu padziļinātai mācībai, kad mašīnmācīšanās algoritmi beidzot sāka atšķirt kaķus no suņiem un darīt to ātri un precīzi.
Medicīnā dziļo mācību algoritmi, kas apmācīti medicīnas attēlu datu bāzēs, var noteikt dzīvībai bīstamas slimības ar tādu pašu vai lielāku precizitāti kā cilvēku speciālisti. Ir pat spekulācijas, ka AI, ja iemācīsimies tai uzticēties, varētu būt nenovērtējams slimības diagnosticēšanā. Un kā atzīmēja Žavoronkovs, arvien vairāk pieteikumu tiek iesniegti, un sasniegumi tikai pieaugs.
Reklāmas video:
“Tesla jau izved automašīnas uz ielas,” saka Zhavoronkovs. “Trīs un četru gadu tehnoloģija jau pārvadā pasažierus no punkta A uz punktu B ar ātrumu 200 kilometri stundā; viena kļūda un tu esi miris. Bet cilvēki uzticas savu dzīvi šai tehnoloģijai."
"Kāpēc nedarīt to pašu farmācijas jomā?"
Mēģiniet un neveiksmīgi, atkal un atkal
Farmaceitisko pētījumu jomā AI nebūs jāvada automašīna. Viņš kļūs par palīgu, kurš pārī ar diviem vai diviem ķīmiķiem var paātrināt narkotiku atklāšanu, ritinot vairāk iespēju, meklējot labākus kandidātus.
Telpa optimizēšanai un efektivitātes uzlabošanai ir milzīga, sacīja Zhavoronkovs.
Narkotiku atrašana ir sarežģīts un dārgs darbs. Ķīmiķi izsijā desmitiem tūkstošu iespējamo savienojumu, meklējot daudzsološākos. No tiem tikai daži dodas uz turpmāku izpēti, un vēl mazāks tiks pārbaudīts uz cilvēkiem, un no tiem drupatas parasti tiks apstiprinātas turpmākai lietošanai.
Viss process var ilgt daudzus gadus un maksāt simtiem miljonu dolāru.
Tā ir liela datu problēma, un dziļa mācīšanās izceļas ar lielu datu apjomu. Pirmie pieteikumi parādīja, ka AI sistēmas, kas balstītas uz dziļu mācīšanos, spēja atrast smalkus modeļus milzu datu paraugos. Lai gan zāļu ražotāji jau izmanto programmatūru savienojumu sijāšanai, šādai programmatūrai nepieciešami skaidri noteikumi, ko izstrādājuši ķīmiķi. AI priekšrocības šajā jautājumā ir spēja pašiem mācīties un pilnveidoties.
“Ir divas AI inovāciju stratēģijas farmācijas jomā, kas nodrošinās jums labākas molekulas un ātrāku apstiprinājumu,” saka Zhavoronkovs. "Viens meklē adatu siena kaudzē, bet otrs izveido jaunu adatu."
Lai atrastu adatu siena kaudzē, algoritmi tiek apmācīti lielā molekulu datu bāzē. Tad viņi meklē molekulas ar piemērotām īpašībām. Bet izveidot jaunu adatu? Šo iespēju nodrošina ģeneratīvie konkurences tīkli, kuru specializācija ir Žavoronkovs.
Šādi algoritmi izraida divus neironu tīklus viens pret otru. Viens rada jēgpilnu rezultātu, bet otrs izlemj, vai šis rezultāts ir patiess vai nepatiess, saka Zhavoronkovs. Kopā šie tīkli ģenerē jaunus objektus, piemēram, tekstu, attēlus vai, šajā gadījumā, molekulārās struktūras.
“Mēs sākām izmantot šo konkrēto tehnoloģiju, lai liktu dziļajiem neironu tīkliem iedomāties jaunas molekulas, lai tā būtu ideāla jau no paša sākuma. Mums ir vajadzīgas nevainojamas adatas,”saka Zhavoronkovs. "Jūs varat vērsties pie šī ģeneratīvā sacīkstes tīkla un lūgt to izveidot molekulas, kas inhibē proteīnu X koncentrācijā Y, ar visaugstāko dzīvotspēju, vēlamajām īpašībām un minimālām blakusparādībām."
Žavoronkovs uzskata, ka AI var atrast vai izgatavot vairāk adatu no daudzām molekulārām iespējām, atbrīvojot cilvēku ķīmiķus pievērsties tikai visdaudzsološāko sintezēšanai. Ja tas darbojas, viņš cer, mēs varam palielināt trāpījumu skaitu, samazināt neizpildīto gadījumu skaitu un kopumā paātrināt procesu.
Somā
Insilico ne tikai pēta jaunus narkotiku atklāšanas ceļus, un tā nav jauna interešu joma. Pagājušajā gadā Hārvarda grupa publicēja darbu par AI, kurā līdzīgi atlasīja kandidātus no narkotikām. Programmatūra apmācīja 250 000 zāļu molekulu un izmantoja savu kompetenci, lai izveidotu jaunas molekulas, kas sajauktu esošās zāles un sniegtu priekšlikumus, pamatojoties uz vēlamajām īpašībām. Tomēr, kā atzīmēts MIT tehnoloģiju pārskatā, iegūtie rezultāti ne vienmēr ir jēgpilni vai viegli sintezējami laboratorijā, un šo rezultātu kvalitāte, kā vienmēr, ir tikpat augsta kā sākotnēji sniegto datu kvalitāte.
Stenfordas ķīmijas profesore Vijay Pande saka, ka attēliem, runai un tekstam - kas šobrīd ir dziļas mācīšanās priekšmets - ir labi un tīri dati. Bet ķīmijas dati, no otras puses, joprojām ir optimizēti dziļajai mācībai. Turklāt, kaut arī pastāv publiskas datu bāzes, liela daļa datu joprojām atrodas aiz privātu uzņēmumu slēgtām durvīm.
Lai pārvarētu visus šķēršļus, Zhavoronkova uzņēmums koncentrējas uz tehnoloģiju validāciju. Bet šogad šķiet, ka skepsi farmācijas nozarē pauž interese un investīcijas. Pat Google var iekļūt sacensībās.
Attīstoties AI un aparatūrai, joprojām ir jāizmanto vislielākais potenciāls. Iespējams, kādu dienu mūsu rīcībā būs visas 1060 molekulas zāļu jomā.
Iļja Khel