På en mörk natt, långt från stadsljuset, verkar stjärnorna på Vintergatan vara oberäkningsbara. Men från alla punkter är inte mer än 4500 stjärnor synliga för blotta ögat. I vår galax finns det 100-400 miljarder av dem, det finns ännu fler galaxer i universum. Det visar sig att det inte finns många stjärnor på natthimlen. Men även detta nummer öppnar framför oss en djup insikt … droger och droger. Faktum är att antalet möjliga organiska föreningar med medicinska egenskaper överstiger antalet stjärnor i universum med mer än 30 storleksordning. Och de kemiska konfigurationer som forskare skapar från befintliga läkemedel liknar de stjärnor som vi kan se i stadens centrum på natten.
Att hitta alla möjliga läkemedel är en överväldigande uppgift för människor, liksom studien av hela det fysiska utrymmet, och även om vi kunde, skulle det mesta av det som upptäcktes inte motsvara våra mål. Men tanken på att mirakulösa droger kan lura mitt i överflöd är för frestande att ignorera.
Det är därför vi bör använda konstgjord intelligens som kan arbeta hårdare och påskynda upptäckten. Så säger Alex Zhavoronkov, som talade på Exponential Medicine i San Diego förra veckan. Denna applikation kan vara den största för AI inom medicin.
Hundar, diagnos och mediciner
Zhavoronkov - VD för Insilico Medicine och CSO Biogerontology Research Foundation. Insilico är en av många nystartade företag som utvecklar AI som kan påskynda upptäckten av nya läkemedel och läkemedel.
Under de senaste åren, sade Zhavoronkov, har den berömda maskininlärningstekniken - djupt lärande - gjort framsteg på flera fronter. Algoritmer som kan lära sig spela videospel - som AlphaGo Zero eller pokerspelaren Carnegie Mellon - är av det största intresset. Men mönsterigenkänning är det som gav ett kraftfullt uppsving till djup inlärning när maskininlärningsalgoritmer äntligen började skilja katter från hundar och göra det snabbt och exakt.
Inom medicin kan djupa inlärningsalgoritmer tränade på databaser med medicinska bilder upptäcka livshotande sjukdomar med lika högre noggrannhet än mänskliga specialister. Det finns till och med spekulationer om att AI, om vi lär oss att lita på det, kan vara ovärderligt vid diagnos av sjukdom. Och som Zhavoronkov noterade kommer fler applikationer och banan kommer bara att växa.
Kampanjvideo:
"Tesla tar redan bilar ut på gatan," säger Zhavoronkov.”Tre- och fyraårig teknik transporterar redan passagerare från punkt A till punkt B med en hastighet på 200 kilometer i timmen; ett misstag och du är död. Men människor litar på deras liv till denna teknik."
"Varför inte göra detsamma i läkemedel?"
Försök och misslyckas, om och om igen
Inom läkemedelsforskning behöver AI inte köra bil. Han kommer att bli en assistent som, i par med en kemist eller två, kan påskynda läkemedelsupptäckten genom att bläddra igenom fler alternativ för att söka efter bättre kandidater.
Utrymmet för optimering och effektivitetsförbättring är enormt, sade Zhavoronkov.
Att hitta läkemedel är ett noggrant och kostsamt företag. Kemister söker igenom tiotusentals möjliga föreningar och letar efter det mest lovande. Av dessa är det bara ett fåtal som går vidare för ytterligare studier och ännu färre kommer att testas på människor, och av dessa i allmänhet kommer smulor att godkännas för vidare användning.
Hela processen kan ta många år och kostar hundratals miljoner dollar.
Detta är ett big data-problem, och djup inlärning utmärker sig vid big data. De första applikationerna visade att AI-system baserade på djup inlärning kunde hitta subtila mönster i gigantiska dataprover. Även om läkemedeltillverkare redan använder mjukvara för att sika föreningar kräver sådan programvara tydliga regler skriven av kemister. Fördelarna med AI i denna fråga är dess förmåga att lära sig och förbättra på egen hand.
"Det finns två strategier för AI-innovation inom läkemedel som ger dig bättre molekyler och snabbare godkännande," säger Zhavoronkov. "Den ena letar efter en nål i en höstack, och den andra skapar en ny nål."
För att hitta en nål i en höstack tränas algoritmer i en stor databas med molekyler. Sedan letar de efter molekyler med lämpliga egenskaper. Men skapa en ny nål? Denna möjlighet tillhandahålls av de generativa motståndarnätverk som Zhavoronkov specialiserat sig på.
Sådana algoritmer slår två nervnätverk mot varandra. Den ena genererar ett meningsfullt resultat, och den andra bestämmer om detta resultat är sant eller falskt, säger Zhavoronkov. Sammantaget genererar dessa nätverk nya objekt som text, bilder eller i detta fall molekylstrukturer.
”Vi började använda den här tekniken för att få djupa nervnätverk att föreställa sig nya molekyler för att göra det perfekt från början. Vi behöver perfekta nålar, säger Zhavoronkov. "Du kan vända dig till detta generativa motverkande nätverk och be det att skapa molekyler som hämmar protein X i en koncentration av Y, med högsta livskraft, önskade egenskaper och minimala biverkningar."
Zhavoronkov tror att AI kan hitta eller tillverka fler nålar från en mängd molekylära möjligheter, vilket frigör mänskliga kemister för att fokusera på att bara syntetisera de mest lovande. Om det fungerar, hoppas han, kan vi öka antalet träffar, minimera misstag och generellt påskynda processen.
I påsen
Insilico är inte ensam om att utforska nya vägar för läkemedelsupptäckt, och detta är inte ett nytt intresseområde. Förra året publicerade en Harvard-grupp ett papper om AI, som på liknande sätt väljer kandidater från droger. Programvaran tränade på 250 000 läkemedelsmolekyler och använde sin expertis för att skapa nya molekyler som blandade befintliga läkemedel och kom med förslag baserade på önskade egenskaper. Som framgår av MIT Technology Review är emellertid de erhållna resultaten inte alltid meningsfulla eller lätt syntetiserade i laboratoriet, och kvaliteten på dessa resultat, som alltid, är lika hög som kvaliteten på de uppgifter som tillhandahölls initialt.
Stanford kemiprofessor Vijay Pande säger att bilder, tal och text - som är ämnen med ett djupt inlärningsintresse just nu - har goda och rena data. Men kemidata är å andra sidan fortfarande optimerade för djup inlärning. Dessutom, medan offentliga databaser finns, lever mycket av uppgifterna fortfarande bakom de stängda dörrarna för privata företag.
För att övervinna alla hinder fokuserar Zhavoronkovs företag på teknikvalidering. Men i år verkar skepsis i läkemedelsindustrin ge plats för intresse och investeringar. Till och med Google kan bryta sig in i loppet.
När AI och hårdvara fortskrider måste den största potentialen fortfarande låsas upp. Kanske en dag kommer alla 1060 molekyler i läkemedelsdomänen att finnas till vårt förfogande.
Ilya Khel
