Pimedal ööl, kaugel linnavalgusest, paistavad Linnutee tähed olevat loendamatud. Kuid ükskõik millisest kohast on palja silmaga nähtav ainult 4500 tähte. Meie galaktikas on neid 100-400 miljardit, universumis on veelgi rohkem galaktikaid. Selgub, et öiseid taevas pole palju tähti. Kuid isegi see arv avab meie ees sügava ülevaate … narkootikumid ja narkootikumid. Fakt on see, et võimalike meditsiiniliste omadustega orgaaniliste ühendite arv ületab tähtede arvu Universumis enam kui 30 suurusjärgu võrra. Ja keemilised konfiguratsioonid, mille teadlased olemasolevate ravimite abil loovad, on sarnased tähtedega, mida võidakse öösel kesklinnas näha.
Kõigi võimalike narkootikumide leidmine on inimestele tohutu ülesanne, nagu ka kogu füüsilise ruumi uurimine, ja isegi kui me suudaksime, ei vastaks enamik avastatud meie eesmärkidele. Mõte, et imelised ravimid võivad küllust varjata, on aga liiga ahvatlev ignoreerimiseks.
Sellepärast peaksime kasutama tehisintellekti, mis võib rohkem vaeva näha ja avastamist kiirendada. Nii ütleb Alex Zhavoronkov, kes rääkis eelmisel nädalal San Diegos eksponentsiaalse meditsiini alal. See rakendus võiks olla AI suurim meditsiin.
Koerad, diagnoosimine ja ravimid
Zhavoronkov - Insilico Medicine ja CSO Biogerontoloogia Uurimisfondi tegevjuht. Insilico on üks paljudest AI arendavatest idufirmadest, mis võib kiirendada uute ravimite ja ravimite avastamist.
Zhavoronkov ütles, et kuulus masinõppe tehnika - sügav õppimine - on mitmel rindel edusamme teinud. Suurimat huvi pakuvad videomängude mängimist õppivad algoritmid - näiteks AlphaGo Zero või pokkerimängija Carnegie Mellon. Kuid mustrituvastus andis jõulise tõuke sügavale õppimisele, kui masinõppe algoritmid hakkasid kasse koertest lõpuks eristama ning tegid seda kiiresti ja täpselt.
Meditsiinis saavad meditsiiniliste piltide andmebaasides koolitatud sügava õppe algoritmid tuvastada eluohtlikke haigusi võrdselt või suurema täpsusega kui inimspetsialistid. Isegi spekuleeritakse, et AI, kui me õpime seda usaldama, võib haiguse diagnoosimisel olla hindamatu väärtus. Ja nagu Zhavoronkov märkis, on tulemas rohkem taotlusi ja raja tulemused ainult kasvavad.
Reklaamvideo:
“Tesla viib juba tänavale autosid,” räägib Zhavoronkov. „Kolme- ja nelja-aastane tehnoloogia veab reisijaid juba punktist A punkti B kiirusega 200 kilomeetrit tunnis; üks viga ja sa oled surnud. Kuid inimesed usaldavad selle tehnoloogia oma elu."
"Miks mitte teha sama ravimites?"
Proovige ja ebaõnnestuge ikka ja jälle
Farmatseutiliste uuringute puhul ei pea AI autot juhtima. Temast saab assistent, kes saab paariks keemikuga või kahega kiirendada ravimite avastamist, sirvides paremate kandidaatide otsimisel rohkem võimalusi.
Zhavoronkov ütles, et ruumi optimeerimiseks ja efektiivsuse suurendamiseks on tohutu.
Uimastite leidmine on vaevarikas ja kulukas ettevõtmine. Keemikud sõeluvad läbi kümneid tuhandeid võimalikke ühendeid, otsides kõige lootustandvamaid. Neist vaid vähesed lähevad täiendavateks uuringuteks ja veel vähesemaid katsetatakse inimestega ning neist üldiselt lubatakse puru edasiseks kasutamiseks.
Kogu see protsess võib võtta mitu aastat ja maksta sadu miljoneid dollareid.
See on suurandmete probleem ja sügav õppimine paistab silma suurandmetega. Esimesed rakendused näitasid, et sügaval õppimisel põhinevad AI-süsteemid suutsid hiiglaslikest andmeproovidest leida peeneid mustreid. Ehkki ravimitootjad kasutavad juba tarkvara ühendite sõelumiseks, nõuab selline tarkvara keemikute kirjutatud selgeid reegleid. AI eelised selles küsimuses on võime õppida ja end täiustada.
"AI innovatsiooni jaoks farmaatsias on kaks strateegiat, mis pakuvad teile paremaid molekule ja kiiremat heakskiitu," ütleb Zhavoronkov. "Üks otsib nõela heinakuhjast ja teine loob uue nõela."
Nõela leidmiseks heinaküünis treenitakse algoritme suure molekulide andmebaasi järgi. Siis otsivad nad sobivate omadustega molekule. Kuid kas luua uus nõel? Selle võimaluse pakuvad generatiivsed võistlusvõrgustikud, millele Zhavoronkov on spetsialiseerunud.
Sellised algoritmid lõikavad kaks närvivõrku üksteise vastu. Üks loob sisuka tulemuse ja teine otsustab, kas see tulemus on tõene või vale, väidab Zhavoronkov. Need võrgud genereerivad ühiselt uusi objekte nagu tekst, pildid või antud juhul molekulaarstruktuurid.
„Hakkasime seda konkreetset tehnoloogiat kasutama selleks, et panna sügavad närvivõrgud uusi molekule ette kujutama, et see oleks algusest peale täiuslik. Vajame täiuslikke nõelu,”räägib Zhavoronkov. "Võite pöörduda selle generatiivse võistlusvõrgustiku poole ja paluda tal luua molekulid, mis pärsivad valku X kontsentratsioonis Y, millel on suurim elujõulisus, soovitud omadused ja minimaalsed kõrvaltoimed."
Zhavoronkov usub, et AI võib leida või toota paljudest molekulaarsetest võimalustest rohkem nõelu, vabastades inimkeemikud keskenduma ainult kõige lootustandvamate sünteesimisele. Kui see töötab, loodab ta, et saame tabamuste arvu suurendada, missioonide arvu vähendada ja protsessi üldiselt kiirendada.
Kotis
Insilico ei ole üksi uimastite avastamise uute võimaluste uurimisel ja see pole uus huvivaldkond. Eelmisel aastal avaldas Harvardi grupp paberi AI kohta, mis valib sarnaselt kandidaadid uimastite hulgast. Tarkvara koolitas 250 000 ravimimolekuli ja kasutas oma teadmisi uute molekulide loomiseks, mis segasid olemasolevaid ravimeid ja tegid soovitud omaduste põhjal ettepanekuid. Kuid nagu märkis MIT Technology Review, ei ole saadud tulemused laboris alati tähendusrikkad ega sünteesitavad ning nende tulemuste kvaliteet, nagu alati, on sama kõrge kui algselt esitatud andmete kvaliteet.
Stanfordi keemiaprofessor Vijay Pande sõnul on piltide, kõne ja teksti - mis on praegu sügava õppimise huvides - andmete hea ja puhas. Kuid keemiaandmed on seevastu endiselt sügavaks õppimiseks optimeeritud. Kuigi avalikud andmebaasid eksisteerivad, elab suur osa andmetest endiselt eraettevõtete suletud uste taga.
Kõigist takistustest ülesaamiseks on Zhavoronkovi ettevõte keskendunud tehnoloogia valideerimisele. Kuid näib, et sel aastal loob skeptitsism farmaatsiatööstuses huvi ja investeeringuid. Isegi Google suudab võistlusele sisse murda.
Kuna AI ja riistvara küpsevad, tuleb ikkagi kasutada suurim potentsiaal. Võib-olla on ühel päeval meie käsutuses kõik ravimi domeenis olevad 1060 molekuli.
Ilja Khel
