Производители лекарств и инвесторы начали вкладывать миллиарды долларов в системы поиска новых методов лечения на базе искусственного интеллекта. Ученые стремятся открыть передовые лекарства, оперативно выявляя новые соединения и моделируя сложные механизмы в организме, а также по максимуму автоматизируя то, что раньше выполнялось вручную. Пока что только несколько препаратов, созданных с помощью широко разрекламированной технологии, достигли стадии тестирования.
Классически, машинное обучение происходит при помощи заранее загруженных данных и специальных алгоритмов. А искусственный интеллект – позволяет имитировать эти процессы, обеспечивая интуитивное взаимодействие человека с этим алгоритмом.
Разработка лекарств процесс сложный
Существует около 10 000 болезней, от которых страдают люди (большинство из них достаточно редкие), и для многих из них не существует эффективного лечения. Часто ученые могут только догадываться о механизме, вызывающем болезнь, не говоря уже о том, чтобы определить лечение или лекарство. Процесс выбора терапии из множества триллионов возможных лекарств, синтезируемых химическим путем или из биопрепаратов, обычно производимых с использованием генетически-модифицированных клеток, также по большей части основывается сугубо на догадках. Из-за этого процесс разработки тесно связан с принципом проб и ошибок.
Искусственный интеллект и разработка лекарств
Фармацевтические компании объединяют усилия с технологическими подразделениями в целях обработки огромных объемов данных. Некоторые из них стали доступны совсем недавно и были оцифрованы с появлением электронных медицинских записей. Главная цель - помочь выявить перспективные методы лечения. Для этого компании используют глубокое обучение (deep learning) - тип машинного обучения, при котором нейронные сети, состоящие из многих слоев, обучаются на больших наборах данных, чтобы научиться распознавать и структурировать закономерности и делать прогнозы.
Пока еще рано говорить о том, приведет ли ИИ к созданию новых жизненно важных лекарств. Однако он может, по крайней мере, помочь выявить неэффективные лекарства раньше, прежде чем компании потратят на их разработку кучу денег. Например, ИИ может лучше предсказать, будут ли экспериментальные лекарства иметь довольно распространенный, часто ужасающий побочный эффект, который подавляет выработку ферментов, расщепляющих лекарства в организме, или предотвращает их выработку до токсичных уровней.
Как это работает?
Приведем несколько примеров моделей.
Идентификация белков, которые могут играть ключевую роль в заболевании. ИИ может сортировать массивы информации, например данные из тканей или образцов крови пациентов, у которых есть болезнь, и других пациентов. Это может помочь исследователям сосредоточиться на разработке новых соединений, которые могут воздействовать конкретно на эти белки.
Роботы могут применять тысячи потенциальных лекарств к различным типам больных клеток в сотнях тысяч миниатюрных экспериментов. ИИ можно использовать для обработки миллионов изображений клеток - больше, чем человек может самостоятельно просмотреть за всю свою жизнь, - чтобы предсказать, могут ли экспериментальные методы лечения предотвратить или остановить болезнь, не нанося вреда здоровым клеткам.
Обработка данных об уже существующих лекарствах может выявить идеи по изменению назначения лечения, объединить их, чтобы сделать их более эффективными, или найти способы персонализировать их на основе генетических маркеров.
Швейцарский производитель лекарств Roche Holding AG стремится использовать ИИ, чтобы в течение 10 лет удвоить количество лекарств, которые он может производить. GlaxoSmithKline Plc надеется удвоить свой показатель успешности новых лекарств до 20% за счет использования ИИ, объединившись с партнерами, среди которых есть поставщик ДНК-тестов 23andMe Holding Co. и Cerebras Systems Inc., нового производителя микросхем, который предоставляет компьютерные системы для обработки очень больших наборов данных.
Алгоритмы машинного обучения можно использовать на всех этапах процесса разработки лекарств. Например, для поиска их нового применения, прогнозирования взаимодействий, например, лекарство-белок, определения его эффективности, обеспечения биомаркеров безопасности и оптимизации биоактивности молекул.
Методы машинного обучения постепенно проникаю и укореняются в математике, НиТ писал о том, что недавно ИИ применили в теории представлений и топологии.
Мозг человека в принципе не может представить и осознать многомерные объекты в полном объеме: мы можем работать с пространствами размерности выше четвертой, только используя интуицию из работы с двумерным и трехмерным пространствами. Из-за ограничения нашего восприятия многомерных объектов мы не можем эффективно их анализировать и видеть все взаимосвязи. Вот тут-то как раз и помогает машинное обучение: в поиске паттернов в огромных массивах данных , размерность для него — не предел.
