Πώς να δώσετε στην τεχνητή νοημοσύνη μια «εντερική αίσθηση» για ποια μόρια θα κάνουν τα καλύτερα φάρμακα

Η διαίσθηση και η τεχνητή νοημοσύνη κάνουν ένα περίεργο ζευγάρι.

Η διαίσθηση είναι δύσκολο να περιγραφεί. Είναι αυτό το εντερικό συναίσθημα που σε ροκανίζει, ακόμα κι αν δεν ξέρεις γιατί. Χτίζουμε φυσικά τη διαίσθηση μέσω της εμπειρίας. Τα εντερικά συναισθήματα δεν είναι πάντα σωστά. αλλά συχνά εισχωρούν στο υποσυνείδητό μας για να συμπληρώσουν τη λογική και τη λογική κατά τη λήψη αποφάσεων.

Η τεχνητή νοημοσύνη, αντίθετα, μαθαίνει γρήγορα χωνεύοντας εκατομμύρια ψυχρά, σκληρά σημεία δεδομένων, παράγοντας καθαρά αναλυτικά -αν όχι πάντα λογικά- αποτελέσματα με βάση τη συμβολή της.

Τώρα, μια νέα μελέτη in Nature Communications παντρεύεται το περίεργο ζευγάρι, με αποτέλεσμα ένα σύστημα μηχανικής μάθησης που συλλαμβάνει τη διαίσθηση ενός χημικού για την ανάπτυξη φαρμάκων.

Αναλύοντας σχόλια από 35 χημικούς στη Novartis, μια φαρμακευτική εταιρεία με έδρα την Ελβετία, η ομάδα ανέπτυξε ένα μοντέλο τεχνητής νοημοσύνης που μαθαίνει από την ανθρώπινη τεχνογνωσία σε ένα διαβόητο δύσκολο στάδιο ανάπτυξης φαρμάκων: την εύρεση πολλά υποσχόμενων χημικών συμβατών με τη βιολογία μας.

Πρώτον, οι χημικοί χρησιμοποίησαν τη διαίσθησή τους για να επιλέξουν ποιο από τα 5,000 ζεύγη χημικών είχε περισσότερες πιθανότητες να γίνει χρήσιμο φάρμακο. Από αυτή την ανατροφοδότηση, ένα απλό τεχνητό νευρωνικό δίκτυο έμαθε τις προτιμήσεις του. Όταν αμφισβητήθηκε με νέες χημικές ουσίες, το μοντέλο τεχνητής νοημοσύνης έδωσε σε καθεμία μια βαθμολογία που κατέταξε εάν ήταν άξιο για περαιτέρω ανάπτυξη ως φάρμακο.

Χωρίς καμία λεπτομέρεια για τις ίδιες τις χημικές δομές, η τεχνητή νοημοσύνη «διαισθητικά» σημείωσε ορισμένα δομικά συστατικά, τα οποία συχνά εμφανίζονται σε υπάρχοντα φάρμακα, υψηλότερα από άλλα. Παραδόξως, κατέλαβε επίσης νεφελώδεις ιδιότητες που δεν είχαν προγραμματιστεί ρητά σε προηγούμενες προσπάθειες μοντελοποίησης υπολογιστή. Σε συνδυασμό με ένα παραγωγικό μοντέλο τεχνητής νοημοσύνης, όπως το DALL-E, ο ρομπο-χημικός σχεδίασε μια σειρά από νέα μόρια ως πιθανούς απαγωγείς.

Πολλοί υποσχόμενοι υποψήφιοι ναρκωτικών βασίστηκαν σε «συλλογική τεχνογνωσία», έγραψε η ομάδα.

Η μελέτη είναι μια συνεργασία μεταξύ της Novartis και της Microsoft Research AI4Science, η τελευταία με έδρα το Ηνωμένο Βασίλειο.

Κάτω από το Chemical Rabbit Hole

Τα περισσότερα από τα καθημερινά μας φάρμακα παρασκευάζονται από μικρά μόρια—Tylenol για τον πόνο, μετφορμίνη για τη διαχείριση του διαβήτη, αντιβιοτικά για την καταπολέμηση βακτηριακών λοιμώξεων.

Αλλά η εύρεση αυτών των μορίων είναι ένας πόνος.

Πρώτον, οι επιστήμονες πρέπει να κατανοήσουν πώς λειτουργεί η ασθένεια. Για παράδειγμα, αποκρυπτογραφούν την αλυσίδα των βιοχημικών αντιδράσεων που σας προκαλούν έναν δυνατό πονοκέφαλο. Στη συνέχεια βρίσκουν τον πιο αδύναμο κρίκο της αλυσίδας, που συχνά είναι πρωτεΐνη, και διαμορφώνουν το σχήμα της. Με τη δομή τους, εντοπίζουν τις γωνίες και τις σχισμές στις οποίες μπορούν να κολλήσουν τα μόρια για να διαταράξουν τη λειτουργία της πρωτεΐνης, θέτοντας έτσι ένα τέλος στη βιολογική διαδικασία - voilà, όχι άλλους πονοκεφάλους.

Χάρη σε πρόβλεψη πρωτεΐνης AI, όπως το AlphaFold, το RoseTTAFold και οι παραφυάδες τους, είναι πλέον ευκολότερο να μοντελοποιήσουμε τη δομή μιας πρωτεΐνης στόχου. Το να βρεις ένα μόριο που να του ταιριάζει είναι άλλο θέμα. Το φάρμακο δεν χρειάζεται απλώς να μεταβάλλει τη δραστηριότητα του στόχου. Πρέπει επίσης να απορροφάται εύκολα, να εξαπλώνεται στο όργανο ή τον ιστό-στόχο και να μεταβολίζεται με ασφάλεια και να αποβάλλεται από το σώμα.

Εδώ μπαίνουν οι φαρμακοποιοί. Αυτοί οι επιστήμονες είναι πρωτοπόροι στην υιοθέτηση της μοντελοποίησης υπολογιστών. Πάνω από δύο δεκαετίες πριν, το πεδίο άρχισε να χρησιμοποιεί λογισμικό για να κοσκινίζει εξαιρετικά μεγάλες βάσεις δεδομένων χημικών ουσιών που αναζητούν πολλά υποσχόμενα δυνητικά προϊόντα. Κάθε πιθανό μόλυβδο στη συνέχεια αξιολογείται από μια ομάδα χημικών πριν από την περαιτέρω ανάπτυξη.

Μέσω αυτής της διαδικασίας, οι ιατροχημικοί χτίζουν μια διαίσθηση που τους επιτρέπει να παίρνουν αποφάσεις αποτελεσματικά κατά την εξέταση υποσχόμενων υποψηφίων φαρμάκων. Κάποια από την εκπαίδευσή τους μπορεί να είναι αποστάχθηκε σε κανόνες για να μαθαίνουν οι υπολογιστές—για παράδειγμα, αυτή η δομή πιθανότατα δεν θα περάσει στον εγκέφαλο. ότι κάποιος θα μπορούσε να βλάψει το συκώτι. Αυτοί οι κανόνες των ειδικών έχουν βοηθήσει στον αρχικό έλεγχο. Αλλά μέχρι στιγμής, κανένα πρόγραμμα δεν μπορεί να συλλάβει τις λεπτότητες και τις περιπλοκές της λήψης των αποφάσεών τους, εν μέρει επειδή οι χημικοί δεν μπορούν να το εξηγήσουν οι ίδιοι.

Εχω μία αίσθηση

Η νέα μελέτη προσπάθησε να καταγράψει το ανεξήγητο σε ένα μοντέλο τεχνητής νοημοσύνης.

Η ομάδα προσέλαβε 35 ειδικούς χημικούς σε διάφορα κέντρα Novartis σε όλο τον κόσμο, ο καθένας με διαφορετική τεχνογνωσία. Μερικοί λειτουργούν με κύτταρα και ιστούς, για παράδειγμα, άλλοι με μοντελοποίηση υπολογιστή.

Η διαίσθηση είναι δύσκολο να μετρηθεί. Επίσης δεν είναι ακριβώς αξιόπιστο. Ως βάση, η ομάδα σχεδίασε ένα παιχνίδι για πολλούς παίκτες για να μετρήσει εάν κάθε χημικός ήταν συνεπής στις επιλογές του και εάν οι επιλογές του συμφωνούσαν με αυτές των άλλων. Σε κάθε χημικό έδειξαν 220 ζεύγη μορίων και έκαναν μια επίτηδες ασαφή ερώτηση. Για παράδειγμα, φανταστείτε ότι βρίσκεστε σε μια πρώιμη εκστρατεία εικονικού ελέγχου και χρειαζόμαστε ένα φάρμακο που μπορεί να ληφθεί ως χάπι—ποιο μόριο θα προτιμούσατε;

Ο στόχος ήταν να μειωθεί η υπερβολική σκέψη, ωθώντας τους χημικούς να βασίζονται στη διαίσθησή τους για το ποια χημική ουσία παραμένει και ποια πηγαίνει. Αυτή η ρύθμιση διαφέρει από τις συνήθεις αξιολογήσεις, όπου οι χημικοί ελέγχουν συγκεκριμένες μοριακές ιδιότητες με προγνωστικά μοντέλα - δηλαδή, σκληρά δεδομένα.

Οι χημικοί ήταν συνεπείς στη δική τους κρίση, αλλά δεν συμφωνούσαν πάντα μεταξύ τους - πιθανότατα λόγω διαφορετικών προσωπικών εμπειριών. Ωστόσο, υπήρχε αρκετή επικάλυψη για να σχηματιστεί ένα υποκείμενο μοτίβο από το οποίο θα μπορούσε να μάθει ένα μοντέλο AI, εξήγησε η ομάδα.

Στη συνέχεια δημιούργησαν το σύνολο δεδομένων σε 5,000 ζεύγη μορίων. Τα μόρια, το καθένα σημασμένο με πληροφορίες για τη δομή και άλλα χαρακτηριστικά του, χρησιμοποιήθηκαν για την εκπαίδευση ενός απλού τεχνητού νευρωνικού δικτύου. Με την εκπαίδευση, το δίκτυο τεχνητής νοημοσύνης προσάρμοσε περαιτέρω τις εσωτερικές του λειτουργίες με βάση τα σχόλια από τους χημικούς, δίνοντας τελικά σε κάθε μόριο μια βαθμολογία.

Ως έλεγχος λογικής, η ομάδα δοκίμασε το μοντέλο σε ζεύγη χημικών διαφορετικών από αυτά στο σύνολο δεδομένων εκπαίδευσης. Καθώς αύξησαν τον αριθμό των δειγμάτων εκπαίδευσης, η απόδοση εκτοξεύτηκε.

Ενώ προηγούμενα προγράμματα υπολογιστών βασίζονταν σε κανόνες για το τι κάνει ένα πολλά υποσχόμενο φάρμακο βασισμένο στη μοριακή δομή, οι βαθμολογίες του νέου μοντέλου δεν αντικατοπτρίζουν άμεσα κανέναν από αυτούς τους κανόνες. Η τεχνητή νοημοσύνη κατέγραψε μια πιο ολιστική άποψη μιας χημικής ουσίας - μια εντελώς διαφορετική προσέγγιση ανακάλυψη φαρμάκων από αυτό που χρησιμοποιείται στο κλασικό λογισμικό ρομπο-χημικών.

Χρησιμοποιώντας το AI, η ομάδα στη συνέχεια εξέτασε εκατοντάδες φάρμακα εγκεκριμένα από τον FDA και χιλιάδες μόρια από μια τράπεζα δεδομένων χημικών. Ακόμη και χωρίς ρητή εκπαίδευση, το μοντέλο εξήγαγε χημικές δομές - που ονομάζονται «θραύσματα» - που είναι πιο επιδεκτικές για περαιτέρω ανάπτυξη ως φάρμακα. Οι προτιμήσεις βαθμολόγησης του AI ταίριαζαν με εκείνες των υπαρχόντων μορίων που μοιάζουν με φάρμακα, υποδηλώνοντας ότι είχε κατανοήσει την ουσία του τι κάνει ένα πιθανό προβάδισμα.

Χημικό ρομάντσο

Η Novartis δεν είναι η πρώτη εταιρεία που εξερευνά μια χημική σχέση ανθρώπου-ρομπότ.

Προηγουμένως, η φαρμακευτική εταιρεία Merck επίσης χτυπήθηκε στην εσωτερική τους τεχνογνωσία για την ταξινόμηση των χημικών ουσιών για ένα επιθυμητό χαρακτηριστικό. Εκτός κλάδου, μια ομάδα στο Πανεπιστήμιο της Γλασκώβης εξερεύνησε χρησιμοποιώντας ρομπότ βασισμένα στη διαίσθηση για πειράματα ανόργανων χημικών.

Είναι ακόμα μια μικρή μελέτη και οι συγγραφείς δεν μπορούν να αποκλείσουν ανθρώπινες πλάνες. Μερικοί χημικοί μπορεί να επιλέξουν ένα μόριο που βασίζεται σε προσωπικές προκαταλήψεις που είναι δύσκολο να αποφευχθούν εντελώς. Ωστόσο, η εγκατάσταση θα μπορούσε να χρησιμοποιηθεί για τη μελέτη άλλων βημάτων στην ανακάλυψη φαρμάκων που είναι ακριβό να ολοκληρωθούν πειραματικά. Και ενώ το μοντέλο βασίζεται στη διαίσθηση, τα αποτελέσματά του θα μπορούσαν να ενισχυθούν με φίλτρα που βασίζονται σε κανόνες για να βελτιώσουν περαιτέρω την απόδοσή του.

Είμαστε σε μια εποχή όπου η μηχανική μάθηση μπορεί να σχεδιάσει δεκάδες χιλιάδες μόρια, εξήγησε η ομάδα. Ένας βοηθός χημικός τεχνητής νοημοσύνης, οπλισμένος με διαίσθηση, θα μπορούσε να βοηθήσει στον περιορισμό των υποψηφίων στο κρίσιμο πρώιμο στάδιο της ανακάλυψης φαρμάκων και με τη σειρά του, να επιταχύνει την όλη διαδικασία.

Image Credit: Ευγενία Κοζύρ / Unsplash

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://singularityhub.com/2023/11/03/how-to-give-ai-a-gut-feeling-for-which-molecules-will-make-the-best-drugs/