Kuinka antaa tekoälylle "suolitunne", jolle molekyylit tekevät parhaita lääkkeitä

Julkaissut Platon

seuraajia: 0

Kuinka antaa tekoälylle "suolitunne" siitä, mitkä molekyylit tekevät parhaista lääkkeistä PlatoBlockchain-tietoälyn. Pystysuuntainen haku. Ai.

Intuitio ja tekoäly muodostavat kummallisen parin.

Intuitiota on vaikea kuvailla. Se on se sisäinen tunne, joka kalvaa sinua, vaikka et tiedä miksi. Rakennamme intuitiota luonnollisesti kokemuksen kautta. Vatsatunteet eivät aina ole oikein; mutta usein ne hiipivät alitajuntaan täydentämään logiikkaa ja päättelyä päätöksiä tehtäessä.

Tekoäly sen sijaan oppii nopeasti sulattamalla miljoonia kylmiä, kovia datapisteitä ja tuottaa puhtaasti analyyttisiä – ellei aina järkeviä – tuloksia syöttämisensä perusteella.

Nyt, uusi tutkimus in Luonto Viestintä naimisiin parittoman parin kanssa, mikä johtaa koneoppimisjärjestelmään, joka vangitsee kemistin intuition lääkekehitykseen.

Analysoimalla sveitsiläisen lääkeyhtiön Novartisin 35 kemistiltä saatua palautetta tiimi kehitti tekoälymallin, joka oppii ihmisten asiantuntemuksesta tunnetusti vaikeassa lääkekehityksen vaiheessa: biologiamme kanssa yhteensopivien lupaavien kemikaalien löytämisessä.

Ensinnäkin kemistit käyttivät intuitiota valitakseen, millä 5,000 XNUMX kemiallisesta parista oli suurempi mahdollisuus tulla hyödylliseksi lääkkeeksi. Tästä palautteesta yksinkertainen keinotekoinen hermoverkko oppi mieltymyksensä. Kun uusia kemikaaleja haastettiin, tekoälymalli antoi jokaiselle pisteet, jotka arvioivat, oliko se jatkokehittämisen arvoinen lääkkeinä.

Ilman mitään yksityiskohtia itse kemiallisista rakenteista, tekoäly arvioi "intuitiivisesti" tietyt rakenteelliset komponentit, joita esiintyy usein olemassa olevissa lääkkeissä, korkeammalla kuin toiset. Yllättäen se taltioi myös epäselviä ominaisuuksia, joita ei ollut erikseen ohjelmoitu aikaisemmissa tietokonemallinnusyrityksissä. Yhdistettynä generatiiviseen tekoälymalliin, kuten DALL-E, robo-kemisti suunnitteli joukon uusia molekyylejä mahdollisiksi johtajiksi.

Monet lupaavat lääkeehdokkaat perustuivat ”kollatiiviseen tietotaitoon”, tiimi kirjoitti.

Tutkimus on tehty yhteistyössä Novartisin ja Microsoft Research AI4Sciencen kanssa, viimeksi mainittu Iso-Britanniassa.

Alas Chemical Rabbit Hole

Suurin osa jokapäiväisistä lääkkeistämme on valmistettu pienistä molekyyleistä – tylenolista kipuun, metformiinista diabeteksen hoitoon, antibiooteista bakteeri-infektioiden torjumiseen.

Mutta näiden molekyylien löytäminen on tuskaa.

Ensinnäkin tutkijoiden on ymmärrettävä, miten tauti toimii. Ne esimerkiksi tulkitsevat biokemiallisten reaktioiden ketjun, jotka aiheuttavat sinulle jyskyttävän päänsäryn. Sitten he löytävät ketjun heikoimman lenkin, joka on usein proteiini, ja mallintavat sen muotoa. Kädessä oleva rakenne, ne osoittavat nurkkia ja koloja, joihin molekyylit voivat juuttua häiritäkseen proteiinin toimintaa, mikä pysäyttää biologisen prosessin – voilà, ei enää päänsärkyä.

Kiitokset proteiinien ennuste AI, kuten AlphaFold, RoseTTAFold ja niiden jälkeläiset, on nyt helpompi mallintaa kohdeproteiinin rakenne. Siihen sopivan molekyylin löytäminen on toinen asia. Lääkkeen ei tarvitse vain muuttaa kohteen aktiivisuutta. Sen tulee myös imeytyä helposti, levitä kohde-elimeen tai -kudokseen ja metaboloitua turvallisesti ja poistua elimistöstä.

Tässä ovat lääkekemistit. Nämä tiedemiehet ovat edelläkävijöitä tietokonemallinnuksen käyttöönotossa. Yli kaksi vuosikymmentä sitten ala alkoi käyttää ohjelmistoja valtavan suurien kemikaalitietokantojen seulomiseen lupaavien johtolankojen etsimiseksi. Kemistiryhmä arvioi jokaisen mahdollisen johdon ennen jatkokehitystä.

Tämän prosessin avulla lääkekemistit rakentavat intuitiota antaa heille mahdollisuuden tehdä päätöksiä tehokkaasti arvioidessaan lupaavia lääkekandidaatteja. Osa heidän koulutuksestaan voi olla tislattu sääntöihin tietokoneiden oppimiseen – esimerkiksi tämä rakenne ei todennäköisesti siirry aivoihin; että se voi vahingoittaa maksaa. Nämä asiantuntijasäännöt ovat auttaneet alustavassa seulonnassa. Mutta toistaiseksi mikään ohjelma ei pysty vangitsemaan heidän päätöksenteon hienouksia ja monimutkaisuutta, osittain siksi, että kemistit eivät osaa selittää sitä itse.

Minulla on tunne

Uudessa tutkimuksessa pyrittiin vangitsemaan selittämätön tekoälymalliin.

Tiimi rekrytoi 35 asiantuntijakemistiä eri Novartis-keskuksiin ympäri maailmaa, joista jokaisella oli erilainen asiantuntemus. Jotkut työskentelevät esimerkiksi solujen ja kudosten kanssa, toiset tietokonemallinnuksen parissa.

Intuitiota on vaikea mitata. Se ei myöskään ole aivan luotettava. Lähtökohtana tiimi suunnitteli moninpelin arvioidakseen, olivatko kukin kemisti johdonmukainen valinnoissaan ja sopivatko heidän valintansa muiden valintojen kanssa. Jokaiselle kemistille näytettiin 220 molekyyliparia ja hän kysyi tarkoituksella epämääräisen kysymyksen. Kuvittele esimerkiksi, että olet varhaisessa virtuaalisessa seulontakampanjassa ja tarvitsemme lääkkeen, joka voidaan ottaa pillerinä – minkä molekyylin haluaisit?

Tavoitteena oli vähentää liiallista ajattelua ja pakottaa kemistit luottamaan intuitioon, mikä kemikaali pysyy ja mikä menee. Tämä asetus eroaa tavallisista arvioinneista, joissa kemistit tarkistavat tietyt molekyyliominaisuudet ennustavilla malleilla – eli kovilla tiedoilla.

Kemistit olivat johdonmukaisia omassa arviossaan, mutta eivät aina olleet samaa mieltä toistensa kanssa - todennäköisesti erilaisten henkilökohtaisten kokemusten vuoksi. Päällekkäisyyksiä oli kuitenkin tarpeeksi muodostaakseen taustalla olevan mallin, josta tekoälymalli voisi oppia, tiimi selitti.

Seuraavaksi he kokosivat tietojoukon 5,000 XNUMX molekyylipariin. Molekyylejä, joista jokainen oli merkitty tiedolla sen rakenteesta ja muista ominaisuuksista, käytettiin yksinkertaisen keinotekoisen hermoverkon kouluttamiseen. Harjoittelun myötä tekoälyverkosto sääteli edelleen sisäistä toimintaansa kemistien palautteen perusteella ja antoi lopulta jokaiselle molekyylille pistemäärän.

Järkevyyden tarkistuksena tiimi testasi mallia kemiallisilla pareilla, jotka poikkesivat koulutustietojoukossa olevista. Kun he lisäsivät harjoitusnäytteiden määrää, suorituskyky nousi.

Vaikka aikaisemmat tietokoneohjelmat ovat luottaneet sääntöihin siitä, mikä tekee molekyylirakenteeseen perustuvasta lupaavasta lääkkeestä, uuden mallin pisteet eivät heijastaneet suoraan mitään näistä säännöistä. Tekoäly sai kokonaisvaltaisemman näkemyksen kemikaalista – täysin erilaisen lähestymistavan lääkekehityksen kuin mitä käytetään klassisissa robo-kemistiohjelmistoissa.

Tekoälyä käyttämällä tiimi seuloi sitten satoja FDA:n hyväksymiä lääkkeitä ja tuhansia molekyylejä kemiallisesta tietopankista. Jopa ilman erityistä koulutusta malli loi kemiallisia rakenteita, joita kutsutaan "fragmenteiksi", joita voidaan paremmin kehittää edelleen lääkkeinä. Tekoälyn pisteytysasetukset vastasivat olemassa olevien lääkkeen kaltaisten molekyylien pisteytysasetuksia, mikä viittaa siihen, että se oli ymmärtänyt potentiaalisen johdon periaatteen.

Kemiallinen Romanssi

Novartis ei ole ensimmäinen yritys, joka on tutkinut ihmisen ja robotin välistä kemiallista romanssia.

Aiemmin lääkeyhtiö Merck myös naputettu oman asiantuntemuksensa avulla, jotta kemikaalit voidaan luokitella halutun ominaisuuden mukaan. Alan ulkopuolella, tiimi Glasgow'n yliopistossa tutkittiin intuitioon perustuvien robottien käyttöä epäorgaanisissa kemiallisissa kokeissa.

Se on vielä pieni tutkimus, eivätkä kirjoittajat voi sulkea pois inhimillisiä virheitä. Jotkut kemistit saattavat valita molekyylin henkilökohtaisten ennakkoluulojen perusteella, joita on vaikea välttää kokonaan. Asennusta voitaisiin kuitenkin käyttää tutkimaan muita lääkekehityksen vaiheita, joiden suorittaminen kokeellisesti on kallista. Ja vaikka malli perustuu intuitioon, sen tuloksia voitaisiin vahvistaa sääntöpohjaisilla suodattimilla sen suorituskyvyn parantamiseksi.

Elämme aikakautta, jolloin koneoppiminen voi suunnitella kymmeniä tuhansia molekyylejä, tiimi selitti. Tekoälykemisti-avustaja, joka on aseistettu intuitiolla, voisi auttaa rajaamaan ehdokkaita lääkekehityksen kriittisessä varhaisessa vaiheessa ja puolestaan nopeuttamaan koko prosessia.

Kuva pistetilanne: Eugenia Kozyr / Unsplash