چگونه به هوش مصنوعی "احساس روده" بدهیم که کدام مولکول ها بهترین داروها را می سازند

شهود و هوش مصنوعی زوج عجیبی را می سازند.

توصیف شهود سخت است. این همان احساس درونی است که شما را می بلعد، حتی اگر دلیل آن را ندانید. ما به طور طبیعی شهود را از طریق تجربه می سازیم. احساسات درونی همیشه درست نیستند. اما آنها اغلب به ناخودآگاه ما نفوذ می کنند تا هنگام تصمیم گیری منطق و استدلال را تکمیل کنند.

در مقابل، هوش مصنوعی با هضم میلیون‌ها نقطه داده سرد و سخت، به سرعت یاد می‌گیرد و بر اساس ورودی‌های خود، نتایج کاملاً تحلیلی – اگر نه همیشه معقول – تولید می‌کند.

اکنون، یک مطالعه جدید in طبیعت ارتباطات با جفت عجیب ازدواج می کند و در نتیجه یک سیستم یادگیری ماشینی ایجاد می کند که شهود یک شیمیدان را برای توسعه دارو جلب می کند.

با تجزیه و تحلیل بازخورد 35 شیمیدان در Novartis، یک شرکت داروسازی مستقر در سوئیس، این تیم یک مدل هوش مصنوعی ایجاد کرد که از تخصص انسان در مرحله بسیار دشوار توسعه دارو می آموزد: یافتن مواد شیمیایی امیدوارکننده سازگار با زیست شناسی ما.

ابتدا، شیمیدانان از شهود خود استفاده کردند تا انتخاب کنند کدام یک از 5,000 جفت شیمیایی شانس بیشتری برای تبدیل شدن به یک داروی مفید دارند. از این بازخورد، یک شبکه عصبی مصنوعی ساده ترجیحات خود را آموخت. هنگامی که با مواد شیمیایی جدید به چالش کشیده شد، مدل هوش مصنوعی به هر یک امتیازی داد که ارزش آن را برای توسعه بیشتر به عنوان دارو رتبه بندی می کرد.

بدون هیچ جزئیاتی در مورد ساختارهای شیمیایی، هوش مصنوعی "به طور شهودی" مولفه های ساختاری خاصی را که اغلب در داروهای موجود رخ می دهد، بالاتر از سایرین به دست آورد. با کمال تعجب، ویژگی‌های سحابی را که به صراحت در تلاش‌های مدل‌سازی رایانه‌ای قبلی برنامه‌ریزی نشده‌اند، نیز ثبت کرد. این شیمیدان روبو همراه با یک مدل هوش مصنوعی مولد، مانند DALL-E، تعداد زیادی مولکول جدید را به عنوان سرنخ های بالقوه طراحی کرد.

این تیم نوشت: بسیاری از کاندیداهای امیدوارکننده دارو بر اساس "دانش ترکیبی" بودند.

این مطالعه با همکاری Novartis و Microsoft Research AI4Science، که دومی مستقر در بریتانیا است، انجام شده است.

پایین سوراخ خرگوش شیمیایی

اکثر داروهای روزمره ما از مولکول های کوچک ساخته می شوند - تیلنول برای درد، متفورمین برای مدیریت دیابت، آنتی بیوتیک ها برای مبارزه با عفونت های باکتریایی.

اما یافتن این مولکول ها دردناک است.

ابتدا دانشمندان باید نحوه عملکرد این بیماری را درک کنند. به عنوان مثال، آنها زنجیره ای از واکنش های بیوشیمیایی را که باعث سردرد شدید می شوند، رمزگشایی می کنند. سپس ضعیف ترین حلقه زنجیره را که اغلب یک پروتئین است پیدا می کنند و شکل آن را مدل می کنند. ساختاری که در دست دارند، گوشه‌ها و شکاف‌هایی را مشخص می‌کنند که مولکول‌ها می‌توانند در آن گیر کنند تا عملکرد پروتئین را مختل کنند، در نتیجه فرآیند بیولوژیکی را متوقف می‌کنند - وایلا، دیگر سردرد وجود ندارد.

با تشکر از AI پیش بینی پروتئینمانند AlphaFold، RoseTTAFold و شاخه‌های آنها، اکنون مدل‌سازی ساختار پروتئین هدف آسان‌تر است. پیدا کردن یک مولکول متناسب با آن موضوع دیگری است. دارو فقط نیازی به تغییر فعالیت هدف ندارد. همچنین باید به راحتی جذب شود، به اندام یا بافت هدف پخش شود و به طور ایمن متابولیزه و از بدن دفع شود.

اینجاست که شیمیدان های دارویی وارد می شوند. این دانشمندان در پذیرش مدل سازی کامپیوتری پیشگام هستند. بیش از دو دهه پیش، این حوزه شروع به استفاده از نرم‌افزار برای غربال کردن پایگاه‌های اطلاعاتی عظیمی از مواد شیمیایی کرد که به دنبال سرنخ‌های امیدوارکننده بودند. سپس هر سرب بالقوه قبل از توسعه بیشتر توسط تیمی از شیمیدانان ارزیابی می شود.

از طریق این فرآیند، شیمیدانان دارویی شهودی را ایجاد می کنند که به آنها اجازه می دهد تا به طور موثر تصمیم بگیرند هنگام بررسی کاندیداهای امیدوارکننده دارو. برخی از آموزش های آنها می تواند باشد تقطیر به قوانین برای کامپیوترها برای یادگیری - برای مثال، این ساختار احتمالاً به مغز منتقل نمی شود. که ممکن است به کبد آسیب برساند. این قوانین متخصص به غربالگری اولیه کمک کرده است. اما تاکنون، هیچ برنامه‌ای نمی‌تواند ظرافت‌ها و پیچیدگی‌های تصمیم‌گیری آنها را به تصویر بکشد، تا حدی به این دلیل که خود شیمیدان‌ها نمی‌توانند آن را توضیح دهند.

من یه احساسی دارم

مطالعه جدید به دنبال کشف موارد غیرقابل توضیح در یک مدل هوش مصنوعی بود.

این تیم 35 شیمیدان متخصص را در مراکز مختلف Novartis در سرتاسر جهان استخدام کرد که هر کدام دارای تخصص های متفاوتی بودند. برخی با سلول ها و بافت ها کار می کنند، به عنوان مثال، برخی دیگر با مدل سازی کامپیوتری.

اندازه گیری شهود سخت است. همچنین دقیقاً قابل اعتماد نیست. به عنوان پایه، تیم یک بازی چندنفره طراحی کرد تا بررسی کند که آیا هر شیمیدان در انتخاب‌های خود سازگار است یا خیر و آیا انتخاب‌های آنها با انتخاب‌های دیگران همخوانی دارد یا خیر. به هر شیمیدان 220 جفت مولکول نشان داده شد و از عمد یک سوال مبهم پرسیدند. برای مثال، تصور کنید که در یک کمپین غربالگری مجازی اولیه هستید، و ما به دارویی نیاز داریم که بتوان آن را به عنوان قرص مصرف کرد – کدام مولکول را ترجیح می دهید؟

هدف کاهش تفکر بیش از حد بود، و شیمیدانان را وادار به تکیه بر شهود خود کرد که کدام ماده شیمیایی باقی می ماند و کدام یک می رود. این تنظیم با ارزیابی‌های معمولی متفاوت است، جایی که شیمیدان‌ها ویژگی‌های مولکولی خاص را با مدل‌های پیش‌بینی - یعنی داده‌های سخت بررسی می‌کنند.

شیمیدانان در قضاوت خود ثابت بودند، اما همیشه با یکدیگر موافق نبودند - احتمالاً به دلیل تجربیات شخصی متفاوت. با این حال، تیم توضیح داد، با این حال، به اندازه کافی همپوشانی وجود داشت تا یک الگوی اساسی شکل بگیرد که یک مدل هوش مصنوعی بتواند از آن بیاموزد.

آنها سپس مجموعه داده را به 5,000 جفت مولکول تبدیل کردند. این مولکول ها که هر کدام با اطلاعاتی در مورد ساختار و سایر ویژگی های آن برچسب گذاری شده بودند، برای آموزش یک شبکه عصبی مصنوعی ساده استفاده شدند. با آموزش، شبکه هوش مصنوعی عملکرد درونی خود را بر اساس بازخورد شیمیدانان تنظیم کرد و در نهایت به هر مولکول امتیازی داد.

به عنوان یک بررسی سلامت، تیم این مدل را بر روی جفت های شیمیایی متفاوت از موارد موجود در مجموعه داده آموزشی خود آزمایش کرد. با افزایش تعداد نمونه های آموزشی، عملکرد آنها افزایش یافت.

در حالی که برنامه‌های رایانه‌ای قبلی بر قوانینی برای آنچه که یک داروی امیدوارکننده را بر اساس ساختار مولکولی می‌سازد، تکیه می‌کردند، امتیازات مدل جدید مستقیماً هیچ یک از این قوانین را منعکس نمی‌کرد. هوش مصنوعی نمای کلی تری از یک ماده شیمیایی را به تصویر کشید - رویکردی کاملاً متفاوت کشف مواد مخدر از آنچه در نرم افزارهای کلاسیک روبو شیمیدان استفاده می شود.

سپس با استفاده از هوش مصنوعی، تیم صدها داروی مورد تایید FDA و هزاران مولکول را از یک بانک اطلاعات شیمیایی غربالگری کرد. حتی بدون آموزش صریح، این مدل ساختارهای شیمیایی را استخراج کرد - به نام "قطعات" - که بیشتر برای توسعه بیشتر به عنوان دارو سازگار هستند. اولویت‌های امتیازدهی هوش مصنوعی با مولکول‌های مشابه داروی موجود مطابقت داشت، که نشان می‌دهد این هوش مصنوعی ماهیت آنچه را که یک پیشتاز بالقوه ایجاد می‌کند، درک کرده است.

عاشقانه شیمیایی

Novartis اولین شرکتی نیست که عاشقانه های شیمیایی انسان و ربات را بررسی می کند.

پیش از این، شرکت داروسازی مرک نیز ضربه زده است به تخصص داخلی خود برای رتبه بندی مواد شیمیایی برای یک صفت مطلوب. خارج از صنعت، یک تیم در دانشگاه گلاسکو با استفاده از ربات‌های مبتنی بر شهود برای آزمایش‌های شیمیایی معدنی مورد بررسی قرار گرفت.

این هنوز یک مطالعه کوچک است و نویسندگان نمی توانند اشتباهات انسانی را رد کنند. برخی شیمیدانان ممکن است مولکولی را بر اساس تعصبات شخصی انتخاب کنند که اجتناب کامل از آن دشوار است. با این حال، این راه‌اندازی می‌تواند برای مطالعه سایر مراحل در کشف دارو استفاده شود که تکمیل تجربی آنها پرهزینه است. و در حالی که این مدل مبتنی بر شهود است، نتایج آن را می توان با فیلترهای مبتنی بر قانون تقویت کرد تا عملکرد آن را بیشتر بهبود بخشد.

تیم توضیح داد که ما در دوره ای هستیم که یادگیری ماشینی می تواند ده ها هزار مولکول را طراحی کند. یک دستیار شیمی‌دان هوش مصنوعی، مجهز به شهود، می‌تواند به محدود کردن نامزدها در مراحل حساس اولیه کشف دارو کمک کند و به نوبه خود، کل فرآیند را تسریع کند.

تصویر های اعتباری: یوگنیا کوزیر / می Unsplash

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://singularityhub.com/2023/11/03/how-to-give-ai-a-gut-feeling-for-which-molecules-will-make-the-best-drugs/