På en mørk natt, langt fra bylys, ser stjernene på Melkeveien ut til å være uberegnelig. Men fra alle punkter er ikke mer enn 4500 stjerner synlige for det blotte øye. I galaksen vår er det 100-400 milliarder av dem, det er enda flere galakser i universet. Det viser seg at det ikke er mange stjerner på nattehimmelen. Selv dette tallet åpner imidlertid en dyp innsikt … medisiner og medikamenter. Fakta er at antall mulige organiske forbindelser med medisinske egenskaper overstiger antall stjerner i universet med mer enn 30 størrelsesordener. Og de kjemiske konfigurasjonene som forskere lager fra eksisterende medisiner, tilsvarer stjernene som vi kan se sentrum om natten.
Å finne alle mulige medikamenter er en overveldende oppgave for mennesker, og studiet av hele det fysiske rommet, og selv om vi kunne, ville det meste av det som ble oppdaget ikke være i samsvar med våre mål. Men ideen om at mirakuløse medisiner kan lure midt i overflod er for fristende til å ignorere.
Derfor bør vi bruke kunstig intelligens som kan jobbe hardere og akselerere oppdagelsen. Så sier Alex Zhavoronkov, som snakket på Exponential Medicine i San Diego forrige uke. Denne applikasjonen kan være den største for AI i medisin.
Hunder, diagnose og medisiner
Zhavoronkov - administrerende direktør i Insilico Medicine og CSO Biogerontology Research Foundation. Insilico er en av mange startups som utvikler AI som kan fremskynde oppdagelsen av nye medisiner og medisiner.
De siste årene, sa Zhavoronkov, har den berømte maskinlæringsteknikken - dyp læring - gjort fremskritt på flere fronter. Algoritmer som kan lære å spille videospill - som AlphaGo Zero eller pokerspiller Carnegie Mellon - er av største interesse. Men mønstergjenkjenning er det som ga et kraftig løft til dyp læring da maskinlæringsalgoritmer omsider begynte å skille katter fra hunder og gjøre det raskt og nøyaktig.
I medisin kan dybdelæringsalgoritmer trent på databaser med medisinske bilder oppdage livstruende sykdommer med lik eller større nøyaktighet enn menneskelige spesialister. Det er til og med spekulasjoner om at AI, hvis vi lærer å stole på det, kan være uvurderlig når det gjelder diagnostisering av sykdom. Og som Zhavoronkov bemerket, kommer flere applikasjoner og merittlisten vil bare vokse.
Salgsfremmende video:
"Tesla tar allerede biler ut på gaten," sier Zhavoronkov.”Tre- og fireårig teknologi frakter allerede passasjerer fra punkt A til punkt B med en hastighet på 200 kilometer i timen; en feil, og du er død. Men folk stoler på livene sine til denne teknologien."
"Hvorfor ikke gjøre det samme i legemidler?"
Prøv og feiler, om og om igjen
I farmasøytisk forskning slipper AI å kjøre bil. Han vil bli en assistent som, sammen med en kjemiker eller to, kan få fart på stoffoppdagelsen ved å bla gjennom flere alternativer på jakt etter bedre kandidater.
Plassen for optimalisering og effektivisering er enorm, sa Zhavoronkov.
Å finne medisiner er et møysommelig og kostbart tiltak. Kjemikere siler gjennom titusenvis av mulige forbindelser, og ser etter det mest lovende. Av disse er det bare noen få som studerer videre, og enda færre vil bli testet på mennesker, og av disse generelt vil smuler godkjennes for videre bruk.
Hele prosessen kan ta mange år og koste hundrevis av millioner av dollar.
Dette er et big data-problem, og dyp læring utmerker seg ved big data. De første applikasjonene viste at AI-systemer basert på dyp læring var i stand til å finne subtile mønstre i gigantiske dataprøver. Selv om medikamentprodusenter allerede bruker programvare for å sile forbindelser, krever slik programvare klare regler skrevet av kjemikere. Fordelene med AI i denne saken er dens evne til å lære og forbedre på egen hånd.
"Det er to strategier for AI-innovasjon i legemidler som vil gi deg bedre molekyler og raskere godkjenning," sier Zhavoronkov. "Den ene ser etter en nål i en høystakk, og den andre oppretter en ny nål."
For å finne en nål i en høystakk, trenes algoritmer i en stor database med molekyler. Så ser de etter molekyler med passende egenskaper. Men lage en ny nål? Denne muligheten gis av de generative motstandernettverkene som Zhavoronkov spesialiserer seg i.
Slike algoritmer pit to nevrale nettverk mot hverandre. Den ene genererer et meningsfullt resultat, og den andre bestemmer om dette resultatet er sant eller usant, sier Zhavoronkov. Samlet genererer disse nettverkene nye objekter som tekst, bilder eller, i dette tilfellet, molekylære strukturer.
”Vi begynte å bruke denne spesielle teknologien for å få dype nevrale nettverk til å forestille seg nye molekyler for å gjøre den perfekt fra starten. Vi trenger perfekte nåler, sier Zhavoronkov. "Du kan henvende deg til dette generative motstandernettverket og be det om å lage molekyler som hemmer protein X i en konsentrasjon av Y, med høyest levedyktighet, ønskede egenskaper og minimale bivirkninger."
Zhavoronkov mener at AI kan finne eller produsere flere nåler fra en rekke molekylære muligheter, og frigjøre menneskelige kjemikere til å fokusere på kun å syntetisere de mest lovende. Hvis det fungerer, håper han, kan vi øke antall treff, minimere tap og generelt øke hastigheten på prosessen.
I posen
Insilico er ikke alene om å utforske nye veier for medikamentell oppdagelse, og dette er ikke et nytt interesseområde. I fjor publiserte en Harvard-gruppe et papir om AI, som på lignende måte velger kandidater fra medisiner. Programvaren trente på 250 000 medikamentmolekyler og brukte sin ekspertise til å lage nye molekyler som blandet eksisterende medisiner og kom med forslag basert på ønskede egenskaper. Imidlertid, som bemerket av MIT Technology Review, er de oppnådde resultatene ikke alltid meningsfulle eller lett syntetiserte i laboratoriet, og kvaliteten på disse resultatene er som alltid like høy som kvaliteten på dataene som ble gitt opprinnelig.
Stanford kjemiprofessor Vijay Pande sier at bilder, tale og tekst - som er temaene med dyp læringsinteresse akkurat nå - har gode og rene data. Men kjemidata er derimot fortsatt optimalisert for dyp læring. I tillegg, mens offentlige databaser eksisterer, lever fortsatt mye av dataene bak de lukkede dørene til private selskaper.
For å overvinne alle hindringer er Zhavoronkovs selskap fokusert på teknologivalidering. Men i år ser det ut til at skepsis i legemiddelindustrien gir vei for interesse og investering. Til og med Google kan bryte seg inn i løpet.
Når AI og maskinvare skrider frem, må det største potensialet fortsatt låses opp. Kanskje en dag vil alle 1060 molekyler i medikamentdomenet være til rådighet.
Ilya Khel
