På en mørk nat langt fra byens lys ser stjernerne på Mælkevejen ud til at være ufortalt. Men fra ethvert tidspunkt kan det blotte øje ikke se mere end 4500 stjerner. I vores galakse er der 100-400 milliarder, og der er endnu flere galakser i universet. Det viser sig, at der ikke er mange stjerner på nattehimlen. Men selv dette nummer åbner for os en dyb indsigt … medicin og medicin. Faktum er, at antallet af mulige organiske forbindelser med medicinske egenskaber overstiger antallet af stjerner i universet med mere end 30 størrelsesordener. Og de kemiske konfigurationer, som videnskabsmænd skaber af eksisterende medicin, svarer til de stjerner, som vi måske ser centrum om natten.
At finde alle mulige lægemidler er en overvældende opgave for mennesker, ligesom undersøgelsen af hele det fysiske rum, og selvom vi kunne, ville det meste af det, der blev opdaget, ikke svare til vores mål. Men ideen om, at mirakuløse medikamenter kan lure midt i overflod, er for fristende til at ignorere.
Derfor bør vi bruge kunstig intelligens, der kan arbejde hårdere og fremskynde opdagelsen. Så siger Alex Zhavoronkov, der talte på Exponential Medicine i San Diego i sidste uge. Denne applikation kan være den største til AI i medicin.
Hunde, diagnose og medicin
Zhavoronkov - administrerende direktør for Insilico Medicine og CSO Biogerontology Research Foundation. Insilico er en af mange startups, der udvikler AI, der kan fremskynde opdagelsen af nye lægemidler og medicin.
I de senere år, sagde Zhavoronkov, har den berømte maskinindlæringsteknologi - dyb læring - gjort fremskridt på flere fronter. Algoritmer, der er i stand til at lære at spille videospil - som AlphaGo Zero eller pokerspiller Carnegie Mellon - er af den største interesse. Men mønstergenkendelse er det, der gav et kraftigt løft til dyb læring, da maskinlæringsalgoritmer omsider begyndte at skelne katte fra hunde og gøre det hurtigt og præcist.
I medicin kan dyb indlæringsalgoritmer, der er trænet i databaser med medicinske billeder, registrere livstruende sygdomme med lige eller større nøjagtighed end menneskelige specialister. Der er endda spekulationer om, at AI, hvis vi lærer at stole på det, kan være uvurderlige i diagnosticering af sygdom. Og som Zhavoronkov bemærkede, kommer flere applikationer, og track record vil kun vokse.
Salgsfremmende video:
”Tesla bringer allerede biler ud på gaden,” siger Zhavoronkov.”Tre- og fire-årig teknologi transporterer allerede passagerer fra punkt A til punkt B med en hastighed på 200 kilometer i timen; en fejltagelse, og du er død. Men folk stoler på deres liv for denne teknologi."
"Hvorfor ikke gøre det samme i lægemidler?"
Prøv og fejle igen og igen
I farmaceutisk forskning behøver AI ikke at køre en bil. Han vil blive en assistent, der parret med en kemiker eller to kan fremskynde opdagelse af narkotika ved at rulle gennem flere muligheder på jagt efter bedre kandidater.
Rummet til optimering og effektivitetsforbedring er enormt, sagde Zhavoronkov.
At finde medicin er et omhyggeligt og dyrt tilsagn. Kemikere sigter gennem titusinder af mulige forbindelser på udkig efter det mest lovende. Af disse er det kun få, der går til videre undersøgelse, og endnu færre vil blive testet på mennesker, og af disse generelt vil krummer blive godkendt til yderligere anvendelse.
Hele denne proces kan tage mange år og koste hundreder af millioner af dollars.
Dette er et big data-problem, og dyb læring udmærker sig ved big data. De første applikationer viste, at AI-systemer baseret på dyb læring var i stand til at finde subtile mønstre i gigantiske dataprøver. Selvom medicinalproducenter allerede bruger software til at sigte forbindelser, kræver sådan software klare regler skrevet af kemikere. Fordelene ved AI i denne sag er dens evne til at lære og forbedre på egen hånd.
”Der er to strategier for AI-innovation inden for lægemidler, der giver dig bedre molekyler og hurtigere godkendelse,” siger Zhavoronkov. "Den ene kigger efter en nål i en høstak, og den anden opretter en ny nål."
For at finde en nål i en høstak, trænes algoritmer i en stor database med molekyler. Derefter ser de efter molekyler med passende egenskaber. Men oprette en ny nål? Denne mulighed tilbydes af de generative modstandernetværk, som Zhavoronkov har specialiseret sig i.
Sådanne algoritmer pit to neurale netværk mod hinanden. Den ene skaber et meningsfuldt resultat, og den anden beslutter, om dette resultat er sandt eller falsk, siger Zhavoronkov. Samlet genererer disse netværk nye objekter som tekst, billeder eller i dette tilfælde molekylære strukturer.
”Vi begyndte at bruge denne særlige teknologi til at få dybe neurale netværk til at forestille sig nye molekyler for at gøre det perfekt fra starten. Vi har brug for perfekte nåle,”siger Zhavoronkov. "Du kan henvende dig til dette generative adversariale netværk og bede det om at oprette molekyler, der inhiberer protein X i en koncentration af Y, med den højeste levedygtighed, ønskede egenskaber og minimale bivirkninger."
Zhavoronkov mener, at AI kan finde eller fremstille flere nåle fra en mangfoldighed af molekylære muligheder, hvilket frigør menneskelige kemikere til at fokusere på kun at syntetisere de mest lovende. Hvis det fungerer, håber han, kan vi øge antallet af hits, minimere fejl og generelt fremskynde processen.
I tasken
Insilico er ikke alene om at udforske nye veje til opdagelse af medikamenter, og dette er ikke et nyt interesseområde. Sidste år offentliggjorde en Harvard-gruppe et papir om AI, der på lignende måde vælger kandidater fra medicin. Softwaren trænet på 250.000 medikamentmolekyler og brugte sin ekspertise til at skabe nye molekyler, der blandede eksisterende lægemidler og fremsatte forslag baseret på de ønskede egenskaber. Som bemærket ved MIT Technology Review er de opnåede resultater ikke altid meningsfulde eller let syntetiseret i laboratoriet, og kvaliteten af disse resultater er som altid lige så høj som kvaliteten af de oprindeligt leverede data.
Stanford Chemistry-professor Vijay Pande siger, at billeder, tale og tekst - som er emner med dyb læringsinteresse lige nu - har gode og rene data. Men kemi data er på den anden side stadig optimeret til dyb læring. Selvom der findes offentlige databaser, lever en stor del af data stadig bag de lukkede døre hos private virksomheder.
For at overvinde alle forhindringer er Zhavoronkovs virksomhed fokuseret på teknologivalering. Men i år ser skepsis i lægemiddelindustrien ud til at vige plads for interesse og investering. Selv Google kan bryde ind i løbet.
Efterhånden som AI og hardware skrider frem, skal det største potentiale stadig låses op. Måske en dag vil alle 1060 molekyler i lægemiddeldomænet være til vores rådighed.
Ilya Khel