Tamsią naktį, toli nuo miesto šviesos, atrodo, kad Paukščių Tako žvaigždės yra neįskaičiuojamos. Bet nuo bet kurio taško plika akimi matoma ne daugiau kaip 4500 žvaigždžių. Mūsų galaktikoje jų yra 100–400 milijardų, Visatoje yra dar daugiau galaktikų. Pasirodo, kad naktiniame danguje nėra daug žvaigždžių. Tačiau net šis skaičius atveria mums gilią įžvalgą … narkotikai ir narkotikai. Faktas yra tas, kad galimų gydomųjų savybių turinčių organinių junginių skaičius viršija žvaigždžių skaičių Visatoje daugiau nei 30 didumo laipsnių. O cheminės konfigūracijos, kurias mokslininkai sukuria iš esamų vaistų, yra panašios į žvaigždes, kurias naktį galime pamatyti miesto centre.
Surasti visus įmanomus narkotikus yra didžiulė užduotis žmonėms, kaip ir visos fizinės erdvės tyrimas, ir net jei galėtume, didžioji dalis to, kas buvo atrasta, neatitiktų mūsų tikslų. Vis dėlto mintis, kad stebuklingi vaistai gali paslėpti gausybę, yra per daug viliojanti, kad būtų ignoruojama.
- „Salik.biz“
Štai kodėl turėtume naudoti dirbtinį intelektą, kuris gali sunkiau dirbti ir paspartinti atradimus. Taip sako Aleksas Zhavoronkovas, praėjusią savaitę kalbėjęs eksponentinėje medicinoje San Diege. Ši programa galėtų būti didžiausia AI medicinoje.
Šunys, diagnozė ir vaistai
Zhavoronkovas - „Insilico Medicine“ir CSO Biogerontologijos tyrimų fondo generalinis direktorius. „Insilico“yra vienas iš daugelio pradedančių įmonių, kuriančių AI, galinčių paspartinti naujų vaistų ir vaistų atradimą.
Pastaraisiais metais, pasak Zhavoronkovo, garsioji mašininio mokymosi technika - giluminis mokymasis - padarė pažangą keliuose frontuose. Didžiausią susidomėjimą kelia algoritmai, galintys išmokti žaisti vaizdo žaidimus - tokie kaip „AlphaGo Zero“ar pokerio žaidėjas Carnegie Mellon. Tačiau modelio atpažinimas paskatino gilų mokymąsi, kai mašinų mokymosi algoritmai pagaliau pradėjo atskirti kates nuo šunų ir tai padaryti greitai bei tiksliai.
Medicinoje giliųjų mokymosi algoritmai, mokomi medicinos vaizdų duomenų bazėse, gali aptikti gyvybei pavojingas ligas tokiu pačiu ar didesniu tikslumu nei žmonių specialistai. Net spėliojama, kad PG, jei išmoksime ja pasitikėti, gali būti neįkainojama diagnozuojant ligą. Ir, kaip pažymėjo Zhavoronkovas, bus pateikta daugiau paraiškų, o patirtis tik augs.
Reklaminis vaizdo įrašas:
„„ Tesla “jau išleidžia automobilius į gatvę“, - sako Zhavoronkovas. „Trejų ir ketverių metų technologija jau veža keleivius iš taško A į tašką B 200 kilometrų per valandą greičiu; viena klaida ir tu miręs. Tačiau žmonės pasitiki savo gyvenimu dėl šios technologijos “.
"Kodėl to nepadarius farmacijoje?"
Pabandyk ir žlugk vėl ir vėl
Farmacijos tyrimų srityje AI nereikės vairuoti automobilio. Jis taps padėjėju, kuris kartu su chemiku ar dviem gali paspartinti narkotikų atradimą, naršydamas daugiau galimybių, ieškodamas geresnių kandidatų.
Vietos optimizavimui ir efektyvumo didinimui yra milžiniškos, sakė Zhavoronkovas.
Narkotikų paieška yra kruopštus ir brangus darbas. Chemikai sijoja per dešimtis tūkstančių galimų junginių, ieškodami perspektyviausių. Iš jų tik nedaugelis bus atlikti tolesni tyrimai, o dar mažiau bus bandomi su žmonėmis, o iš jų apskritai trupiniai bus patvirtinti tolesniam naudojimui.
Visas šis procesas gali užtrukti daugelį metų ir kainuoti šimtus milijonų dolerių.
Tai yra didelių duomenų problema, o gilus mokymasis yra puikus. Pirmosios programos parodė, kad gilaus mokymosi pagrindu sukurtos AI sistemos sugebėjo rasti subtilius modelius milžiniškų duomenų pavyzdžiuose. Nors vaistų gamintojai jau naudoja programinę įrangą junginiams sijoti, tokiai programinei įrangai reikalingos aiškios chemikų parašytos taisyklės. PG pranašumai šiuo klausimu yra gebėjimas mokytis ir tobulėti savarankiškai.
„Yra dvi AI inovacijų strategijos farmacijoje, kurios užtikrins geresnes molekules ir greitesnį patvirtinimą“, - sako Zhavoronkovas. "Vienas ieško adatos šieno kupetoje, o kitas sukuria naują adatą."
Norėdami rasti adatą šieno kupetoje, algoritmai treniruojami didelėje molekulių duomenų bazėje. Tada jie ieško tinkamų savybių turinčių molekulių. Bet sukurti naują adatą? Šią galimybę suteikia generatyviniai konkurencijos tinklai, kurių specializacija yra Zhavoronkovas.
Tokie algoritmai duoda du nervinius tinklus vienas prieš kitą. Vienas sukuria reikšmingą rezultatą, o kitas nusprendžia, ar šis rezultatas teisingas, ar klaidingas, sako Zhavoronkovas. Bendrai šie tinklai generuoja naujus objektus, tokius kaip tekstas, vaizdai arba, šiuo atveju, molekulinės struktūros.
„Mes pradėjome naudoti šią technologiją, kad giluminiai neuroniniai tinklai įsivaizduotų naujas molekules, kad ji būtų tobula nuo pat pradžių. Mums reikia tobulų adatų “, - sako Zhavoronkovas. "Galite kreiptis į šį generacinį prieštaringų tinklą ir paprašyti jo sukurti molekules, slopinančias baltymą X, esant Y koncentracijai, turinčius aukščiausią gyvybingumą, norimas savybes ir minimalų šalutinį poveikį."
Zhavoronkovas mano, kad PG gali rasti ar pagaminti daugiau adatų iš daugybės molekulinių galimybių, atleidžiant žmonių chemikus susitelkti tik į perspektyviausius. Jei jis veikia, jis tikisi, galime padidinti peržiūrų skaičių, sumažinti praleidimus ir apskritai pagreitinti procesą.
Krepšyje
„Insilico“ne vienas ieško naujų būdų narkotikams atrasti, ir tai nėra nauja susidomėjimo sritis. Praėjusiais metais Harvardo grupė paskelbė dokumentą apie PG, kuriame panašiai atrenkami kandidatai iš narkotikų. Programinė įranga išmokė 250 000 narkotikų molekulių ir panaudojo savo kompetenciją kurdama naujas molekules, kurios maišo esamus vaistus, ir pateikė pasiūlymus, pagrįstus norimomis savybėmis. Tačiau, kaip pažymima MIT technologijos apžvalgoje, gauti rezultatai ne visada yra prasmingi arba lengvai sintezuojami laboratorijoje, o šių rezultatų kokybė, kaip visada, yra tokia pati aukšta, kaip iš pradžių pateiktų duomenų kokybė.
Stanfordo chemijos profesorius Vijay Pande sako, kad vaizdai, kalba ir tekstas, kurie šiuo metu yra labai svarbūs mokymosi interesai, turi gerus ir švarius duomenis. Bet, kita vertus, chemijos duomenys vis dar yra optimizuoti giliam mokymuisi. Be to, nors egzistuoja viešosios duomenų bazės, didžioji dalis duomenų vis dar gyvena už uždarų privačių įmonių durų.
Siekdama įveikti visas kliūtis, Zhavoronkovo įmonė orientuojasi į technologijų įteisinimą. Tačiau atrodo, kad šiais metais skepticizmas farmacijos pramonėje užleidžia vietą susidomėjimui ir investicijoms. Net „Google“gali įsiveržti į varžybas.
Tobulėjant AI ir techninei įrangai, vis dar reikia išnaudoti didžiausią potencialą. Galbūt vieną dieną visos 1060 molekulių narkotikų srityje bus mūsų žinioje.
Ilja Khel