Захватывающие перспективы использования AI для поиска новых лекарств
Привет. В темную ночь, вдали от городских огней, звезды Млечного Пути могут казаться несчетными. Однако, из любого положения невооруженным глазом видно не более 4500 звезд. Между тем, наша галактика насчитывает от 100 до 400 миллиардов звезд, а во Вселенной еще больше галактик.
Количество звезд в ночном небе удивляет. И они дают нам представление о перспективах открытия новых лекарств.
Да, это включает в себя терапевтический эффект от красоты звездного неба, но также и открытие лекарств, которые реально помогают нам, когда мы больны. Количество возможных органических соединений с «лекарственно-подобными» свойствами превышает число звезд во Вселенной более чем на 30 порядков.
На фоне этой вселенной возможностей, количество химических конфигураций, разработанных сегодня учеными в лабораториях, похоже на звезды, видимые из центра большого города.
Исследовать все это потенциальное пространство лекарств так же по-человечески невозможно, как исследовать все физическое пространство, и даже если бы мы могли это сделать, вероятно, большинство из того, что мы найдем, не соответствовало бы нашим целям. Тем не менее, идея о том, что прорывные лекарства наверняка скрываются среди этого необъятного количества, слишком серьезна, чтобы ее игнорировать.
Именно поэтому мы должны использовать искусственный интеллект (AI) для поиска новых химических соединений, что может ускорить открытие прорывных лекарств, которые избавят человечество от самых тяжелых болезней. Это может быть одним из самых крупных приложений возможностей AI в сфере здравоохранения.
Собаки, диагноз и лекарства
Insilico Medicine и CSO Исследовательского фонда биогеронологии является одним из нескольких AI стартапов, направленных на ускорение открытия лекарств с помощью искусственного интеллекта.
Исследователи полагают, что в последние годы современная технология машинного обучения достигла прогресса на ряде направлений. Алгоритмы AI, которые могут научить себя играть в игры, такие как AlphaGo от DeepMind или покер - это, пожалуй, одно из самых захватывающих достижений последнего времени. Но, алгоритмы распознавания образов были тем, что лежало у истоков развития технологий машинного обучения, когда машины научились разделить кошек и собак на фотографиях.
В медицине алгоритмы глубокого обучения, подготовленные на базах данных медицинских изображений, могут выявлять опасные для жизни заболевания с равной или большей точностью, чем специалисты-люди. Есть даже предположение, что AI, если мы научимся доверять ему, может быть бесценным при диагностике болезней.
Tesa уже выводит свои беспилотные машины на улицы. Технология трех-четырехлетней давности уже используется для перевозки пассажиров из пункта А в пункт Б, со скоростью 100 км в час, когда одна ошибка может закончится фатально. Но люди доверяют свои жизни этой технологии. Итак, почему бы нам не сделать это в сфере фармакологии.
Попытка - ошибка, и все сначала
AI не будет управлять автомобилем в фармацевтических исследованиях. Это будет помощник, который, работая в паре с химиком или двумя, может ускорить открытие новых лекарств, проанализировав большее количество возможных химических соединений.
Открытие лекарств - трудное и дорогое дело. Химики находят десятки тысяч соединений-кандидатов, наиболее перспективных для синтеза. Из них немногие будут исследоваться дальше, еще меньшее количество будет использовано в клинических испытаниях на людях, и только часть из них будет одобрена.
Весь процесс может занять много лет и стоить сотни миллионов долларов.
Это проблема больших данных (Big data), и глубокое обучение хорошо решает эту проблему. Ранние приложения показали, что их огромный потенциал заложен в огромных базах данных, используемых для обучения. Хотя производители лекарств уже используют программное обеспечение для поиска соединений, такое программное обеспечение требует четких правил, сформулированных химиками. Особенность AI - это его способность учиться и совершенствоваться самостоятельно.
Существует две стратегии для инноваций, основанных на искусственном интеллекте в фармацевтике, чтобы обеспечить получение лучших молекул и гораздо более быстрый доступ лекарств на рынок. Одна - поиск иглы в стоге сена, а другая - создание новой иглы.
Чтобы найти иглу в стоге сена, алгоритмы обучаются на больших базах данных молекул. Затем они ищут молекулы с нужными свойствами. Но как создать новую иглу? Это возможность, которой способствуют генеративно-состязательные сети.
Такие алгоритмы связывают две нейронные сети друг с другом. Одна из них генерирует значимый результат, в то время как другая оценивает, истинен ли этот результат или ложен. В совокупности сети генерируют новые объекты, такие как текст, изображения или, в данном случае, молекулярные структуры.
Ученые начали использовать эту технологию, чтобы глубокие нейронные сети находили все новые молекулы, делая их идеальными с самого начала, позволяя, таким образом, находить действительно идеальные "иголки" с заданными характеристиками.
Исследователи полагают, что AI может найти или изготовить больше соединений из множества молекулярных возможностей, освобождая химиков от этого утомительного и трудоемкого занятия, позволяя им сосредоточиться на синтезе только самых перспективных из найденных.
Проблемы и возможности
Стартап Insilico не одинок в своем квесте о поиске лекарств.
В прошлом году группа исследователей из Гарварда опубликовала документ об AI, который аналогичным образом предлагает химических кандидатов для новых лекарств. Программное обеспечение обучалось на 250 000 лекарственно -подобных молекулах и использовало полученный опыт для создания новых молекул на основе желаемых свойств.
В статье MIT по этому вопросу выделены некоторые из существующих проблем, с которыми могут столкнуться подобные системы. Полученные результаты не всегда значимы или легко синтезируются в лаборатории, и качество этих результатов, как всегда, настолько хорошо, насколько хороши были данные, используемые для обучения.
Распознавание изображений, устной речи и текста - это три проблемы, которые решаются алгоритмами глубокого обучения намного быстрей и качественней, когда они используют более качественные данные. С другой стороны, химические данные достаточно хорошо оптимизированы для глубокого обучения. Кроме того, несмотря на наличие открытых баз данных, многие данные по-прежнему хранятся за закрытыми дверями в частных компаниях.
Чтобы преодолеть трудности и доказать свою ценность, компания Insilico сосредоточена на тщательном тестировании технологии. Но существующий еще скептицизм в фармацевтической промышленности, похоже, ослабляет интерес к проблеме и, соответственно, уменьшает инвестиции.
Тем не менее, стартап по AI-поиску новых лекарств Exscientia заключил сделку с компанией Sanofi на 280 миллионов долларов и GlaxoSmithKline на 42 миллиона долларов. Insilico также сотрудничает с GlaxoSmithKline, а Numerate работает с Takeda Pharmaceutical. Даже Google может начать работу в этой области. Подразделение глубокого обучения фирмы - Google Brain развивается, и аналитики считают, что возможно компания нацелена на открытие новых лекарств.
С развитием технологий искусственного интеллекта и увеличением скорости аппаратных средств, наибольший потенциал в этом направлении может быть еще впереди. Возможно, однажды в нашем распоряжении будут все 10 в 60 степени молекул лекарственного пространства.
Конечно, существующие сегодня проекты должны еще доказать выполнимость своих обещаний, но учитывая, что в уже ближайшие годы AI окажет большое влияние на все сферы жизни, сейчас самое время начать интегрировать его в фармакологию.
