Розробка нових ліків займає роки, але штучний інтелект може допомогти скоротити цей час до декількох днів

На тлі потенціалу фейкових новин, страху, що роботи вкрадуть робочі місця, і періодичних закликів до автоматизованих систем отримати контроль над ядерною кнопкою, публічний імідж ШІ не завадило б зробити піар-макіяж у 2019 році. Чи допоможе порятунок кількох мільйонів життів?

• Два перспективних підходи
• Навчання свого ШІ.
• Що далі з дослідженнями?

З цим може допомогти новий біотехнологічний фармацевтичний стартап під назвою Insilico Medicine. Поєднуючи геноміку, аналіз великих даних і глибоке навчання, компанія, яка базується в Роквіллі в Центрі нових технологій Університету Джона Гопкінса, використовує алгоритми штучного інтелекту для потенційного відкриття наступних ліків, що змінять світ. Використовуючи дві найцікавіші і найпопулярніші технології штучного інтелекту на даний момент, вони знайшли спосіб відкривати молекули наркотиків не лише набагато дешевше, ніж зазвичай, але й набагато, набагато, набагато швидше.

“Існує нова концепція штучного інтелекту під назвою “Генеративні змагальні мережі” (Generative Adversarial Networks, GANs), яка вперше була представлена в 2014 році, – розповів Digital Trends генеральний директор Insilico Олексій Жаворонков. “З тих пір вона застосовується для генерації нових зображень, тексту і навіть музики. Найгіршим застосуванням, яке ми бачили на сьогоднішній день, були глибокі фейки”.

• Аналоговий ШІ? Звучить божевільно, але за цим може бути майбутнє
• Прочитайте моторошно красиве “синтетичне писання” штучного інтелекту, який вважає себе Богом
• Ця технологія була науковою фантастикою 20 років тому. Тепер це реальність

Два перспективних підходи

Генеративна змагальна мережа складається з двох різних нейронних мереж: генератора і дискримінатора. Вони грають роль того, що ми можемо назвати “ворогами”, одночасно конкурентами і співробітниками. Роль генератора полягає у створенні фальшивих сигналів або даних, які здатні обдурити дискримінатор. Дискримінатор, тим часом, намагається виявити різницю між справжніми і фальшивими сигналами. Подібно до того, як конкуренція між суперниками може в кінцевому підсумку підштовхнути обох до нових піків продуктивності, Генеративна змагальна мережа виробляє все кращі і кращі результати, оскільки генератор прагне перевершити дискримінатор. Зрештою, дискримінатор більше не може відрізнити, що є справжнім, а що підробленим, залишаючи генератору можливість створювати нові сигнали безпрецедентної якості.

З 2016 року дослідники Insilico Medicine працювали над тим, щоб змусити GAN “уявляти” нові молекули з лікарськими властивостями. У 2017 році вони поєднали це з іншим типом революційного ШІ у вигляді навчання з підкріпленням. Навчання з підкріпленням, яке найвідоміше використовується Google DeepMind для створення штучного інтелекту, що грає у відеоігри, побудоване на концепції агентів ШІ, які використовують метод спроб і помилок для максимізації певної винагороди. Якщо генеративна змагальна мережа – це ваш невимушений художній друг, який поступово відточує свої прийоми, то навчання з підкріпленням – це ваш гіперконкурентний приятель, який може перетворити майже все на виграшне змагання.

Insilico має намір використовувати цю комбінацію підходів штучного інтелекту для створення нових молекул для відомої мішені фіброзу (і, можливо, раку) під назвою DDR1. “Цей процес зазвичай займає пару років і є дуже дорогим, – сказав Жаворонков. “Але [в нашій останній роботі] штучному інтелекту вдалося зробити це за 21 день. Потім “уявні” молекули були синтезовані і протестовані в багатьох експериментах, в тому числі на мишах”.

Навчання свого ШІ.

Раніше, щоб знайти невелику молекулу для конкретної білкової мішені, необхідно було протестувати сотні тисяч, а можливо, і мільйони молекул. Відкриття ліків, як відомо, є ресурсномістким процесом, терміни якого вимірюються десятиліттями, а витрати можуть досягати 2,6 мільярда доларів на один новий препарат. Жаворонков посилається на старе кліше про те, що пошук нової функціонуючої молекули ліків схожий на пошук голки в копиці сіна. Однак, завдяки підходу команди, заснованому на штучному інтелекті, ця парадигма, як кажуть технологи, змінюється. Це дозволяє команді “генерувати ідеальні голки” із заданими властивостями.

За 21 день, описаний в статті команди в журналі Nature Biotechnology, ШІ зміг створити 30 000 дизайнів молекул, націлених на заданий білок. Шість з них були синтезовані в лабораторії, а найперспективніша була успішно протестована на мишах. Весь процес зайняв 46 днів.

Insilico називає свою систему машинного навчання дизайну ліків GENTRL, скорочено від Generative Tensorial Reinforcement Learning – генеративне тензорне навчання з підкріпленням. “Ми навчили GENTRL на всьому хімічному просторі, і вже відомі молекули, які працюють на кіназі DDR1”, – сказав він. “Є кілька доступних. Уявіть собі, що ви тренуєте “уявний” ШІ на всіх людських обличчях, а потім показуєте йому кілька фотографій Бреда Пітта і просите його уявити собі когось, хто виглядає як Бред Пітт, але на 15 років молодше, з блакитними очима і жіночої статі. Вона матиме деякі [з] оригінальних властивостей, але виглядатиме зовсім інакше і матиме нові властивості. Щось подібне ми робили з молекулами”.

Що далі з дослідженнями?

Це не єдиний стартап зі створення штучного інтелекту, який використовує подібний підхід до пошуку ліків. IBM Watson досліджував використання машинного інтелекту для допомоги в розробці ліків, хоча з тих пір відмовився від цього. Інші дослідницькі інститути, такі як Манчестерський університет Великобританії, також розробили “роботів-вчених”, які допомагають автоматизувати процес відкриття нових ліків.

Хоча попереду ще багато роботи, перш ніж розроблені штучним інтелектом ліки можна буде продавати пацієнтам, робота Insilico, тим не менш, є перспективним дослідженням. Здешевлення процесу розробки ліків може призвести до зниження цін на них для кінцевого споживача. Якщо компаніям не потрібно буде отримувати такі величезні прибутки від нових ліків, які вони розробляють, це також може означати, що розробка ліків від певних тропічних хвороб буде більш економічно вигідною.

“Цей підхід, інтегрований в автоматизовані конвеєри з розробки ліків, які можуть працювати з декількома цільовими класами, повинен бути в змозі скоротити витрати приблизно на

Source: digitaltrends.com