In einer dunklen Nacht, weit weg vom Stadtlicht, scheinen die Sterne der Milchstraße unkalkulierbar zu sein. Von jedem Punkt aus sind jedoch mit bloßem Auge nicht mehr als 4500 Sterne sichtbar. In unserer Galaxie gibt es 100-400 Milliarden von ihnen, es gibt noch mehr Galaxien im Universum. Es stellt sich heraus, dass es am Nachthimmel nicht viele Sterne gibt. Doch selbst diese Zahl eröffnet uns einen tiefen Einblick … Drogen und Drogen. Tatsache ist, dass die Anzahl möglicher organischer Verbindungen mit medizinischen Eigenschaften die Anzahl der Sterne im Universum um mehr als 30 Größenordnungen übersteigt. Und die chemischen Konfigurationen, die Wissenschaftler aus vorhandenen Medikamenten erstellen, ähneln den Sternen, die wir nachts in der Innenstadt sehen könnten.
Das Finden aller möglichen Medikamente ist eine überwältigende Aufgabe für den Menschen, ebenso wie das Studium des gesamten physischen Raums, und selbst wenn wir könnten, würde das meiste, was entdeckt wurde, nicht unseren Zielen entsprechen. Die Vorstellung, dass wundersame Drogen im Überfluss lauern könnten, ist jedoch zu verlockend, um sie zu ignorieren.
Deshalb sollten wir künstliche Intelligenz verwenden, die härter arbeiten und die Entdeckung beschleunigen kann. So sagt Alex Zhavoronkov, der letzte Woche bei Exponential Medicine in San Diego sprach. Diese Anwendung könnte die größte für KI in der Medizin sein.
Hunde, Diagnose und Medikamente
Zhavoronkov - CEO von Insilico Medicine und CSO Biogerontology Research Foundation. Insilico ist eines von vielen Startups, die KI entwickeln, um die Entdeckung neuer Medikamente und Medikamente zu beschleunigen.
In den letzten Jahren, so Zhavoronkov, habe die berühmte Technik des maschinellen Lernens - Deep Learning - an mehreren Fronten Fortschritte gemacht. Von größtem Interesse sind Algorithmen, die Videospiele lernen können - wie AlphaGo Zero oder der Pokerspieler Carnegie Mellon. Aber die Mustererkennung hat dem tiefen Lernen einen starken Schub verliehen, als Algorithmen für maschinelles Lernen endlich begannen, Katzen von Hunden zu unterscheiden und dies schnell und genau zu tun.
In der Medizin können Deep-Learning-Algorithmen, die in Datenbanken mit medizinischen Bildern trainiert wurden, lebensbedrohliche Krankheiten mit gleicher oder größerer Genauigkeit erkennen als menschliche Spezialisten. Es gibt sogar Spekulationen, dass KI, wenn wir lernen, ihr zu vertrauen, bei der Diagnose von Krankheiten von unschätzbarem Wert sein könnte. Und wie Zhavoronkov feststellte, kommen weitere Anwendungen und die Erfolgsbilanz wird nur noch wachsen.
Werbevideo:
"Tesla fährt bereits mit Autos auf die Straße", sagt Zhavoronkov. „Die Drei- und Vierjahrestechnologie transportiert Passagiere bereits mit einer Geschwindigkeit von 200 Stundenkilometern von Punkt A nach Punkt B. Ein Fehler und du bist tot. Aber die Menschen vertrauen dieser Technologie ihr Leben an."
"Warum nicht dasselbe in der Pharmazie tun?"
Versuchen Sie und scheitern Sie immer und immer wieder
In der pharmazeutischen Forschung muss AI kein Auto fahren. Er wird ein Assistent, der zusammen mit einem oder zwei Chemikern die Wirkstoffentdeckung beschleunigen kann, indem er auf der Suche nach besseren Kandidaten durch mehr Optionen blättert.
Der Raum für Optimierung und Effizienzsteigerung ist enorm, sagte Zhavoronkov.
Das Finden von Medikamenten ist ein mühsames und kostspieliges Unterfangen. Chemiker durchsuchen Zehntausende möglicher Verbindungen nach den vielversprechendsten. Von diesen werden nur wenige weiter untersucht, und noch weniger werden an Menschen getestet, und von diesen werden Krümel im Allgemeinen zur weiteren Verwendung zugelassen.
Dieser gesamte Prozess kann viele Jahre dauern und Hunderte Millionen Dollar kosten.
Dies ist ein Big-Data-Problem, und Deep Learning zeichnet sich durch Big Data aus. Die ersten Anwendungen zeigten, dass KI-Systeme, die auf Deep Learning basieren, subtile Muster in riesigen Datenproben finden konnten. Obwohl Arzneimittelhersteller bereits Software zum Sieben von Verbindungen verwenden, erfordert diese Software klare Regeln, die von Chemikern geschrieben wurden. Die Vorteile der KI in dieser Angelegenheit sind ihre Fähigkeit, selbstständig zu lernen und sich zu verbessern.
„Es gibt zwei Strategien für KI-Innovationen in der Pharmazie, mit denen Sie bessere Moleküle und eine schnellere Zulassung erhalten“, sagt Zhavoronkov. "Einer sucht nach einer Nadel im Heuhaufen und der andere schafft eine neue Nadel."
Um eine Nadel im Heuhaufen zu finden, werden Algorithmen auf einer großen Datenbank von Molekülen trainiert. Dann suchen sie nach Molekülen mit geeigneten Eigenschaften. Aber eine neue Nadel erstellen? Diese Gelegenheit bieten die generativen gegnerischen Netzwerke, auf die sich Zhavoronkov spezialisiert hat.
Solche Algorithmen stellen zwei neuronale Netze gegeneinander. Einer generiert ein aussagekräftiges Ergebnis und der andere entscheidet, ob dieses Ergebnis wahr oder falsch ist, sagt Zhavoronkov. Zusammen erzeugen diese Netzwerke neue Objekte wie Text, Bilder oder in diesem Fall molekulare Strukturen.
„Wir haben begonnen, diese spezielle Technologie zu verwenden, um tiefe neuronale Netze dazu zu bringen, sich neue Moleküle vorzustellen, um sie von Anfang an perfekt zu machen. Wir brauchen perfekte Nadeln “, sagt Zhavoronkov. "Sie können sich an dieses generative kontradiktorische Netzwerk wenden und es bitten, Moleküle zu erzeugen, die Protein X in einer Konzentration von Y mit der höchsten Lebensfähigkeit, den gewünschten Eigenschaften und minimalen Nebenwirkungen hemmen."
Zhavoronkov glaubt, dass die KI aus einer Vielzahl molekularer Möglichkeiten mehr Nadeln finden oder herstellen kann, wodurch menschliche Chemiker sich darauf konzentrieren können, nur die vielversprechendsten zu synthetisieren. Wenn es funktioniert, können wir hoffentlich die Anzahl der Treffer erhöhen, Fehler minimieren und den Prozess generell beschleunigen.
In der Tasche
Insilico ist nicht der Einzige, der neue Wege für die Wirkstoffforschung erforscht, und dies ist kein neues Interessensgebiet. Im vergangenen Jahr veröffentlichte eine Harvard-Gruppe ein Papier über KI, in dem Kandidaten aus Drogen ebenfalls ausgewählt werden. Die Software trainierte an 250.000 Arzneimittelmolekülen und nutzte ihr Fachwissen, um neue Moleküle zu erstellen, die vorhandene Arzneimittel mischten und Vorschläge basierend auf den gewünschten Eigenschaften machten. Wie aus dem MIT Technology Review hervorgeht, sind die erhaltenen Ergebnisse im Labor jedoch nicht immer aussagekräftig oder leicht zu synthetisieren, und die Qualität dieser Ergebnisse ist wie immer so hoch wie die Qualität der ursprünglich bereitgestellten Daten.
Vijay Pande, Professor für Chemie in Stanford, sagt, dass Bilder, Sprache und Text - die derzeit Gegenstand von tiefem Lerninteresse sind - gute und saubere Daten enthalten. Andererseits sind Chemiedaten immer noch für tiefes Lernen optimiert. Während öffentliche Datenbanken existieren, befindet sich ein Großteil der Daten immer noch hinter den verschlossenen Türen privater Unternehmen.
Um alle Hindernisse zu überwinden, konzentriert sich das Unternehmen von Zhavoronkov auf die Validierung von Technologien. Aber dieses Jahr scheint die Skepsis in der Pharmaindustrie Interesse und Investitionen zu weichen. Auch Google kann ins Rennen einsteigen.
Mit fortschreitender KI und Hardware muss das größte Potenzial noch freigeschaltet werden. Vielleicht werden uns eines Tages alle 1060 Moleküle in der Wirkstoffdomäne zur Verfügung stehen.
Ilya Khel
