Comment donner à l'IA une « intuition » pour laquelle les molécules constitueront les meilleurs médicaments

Comment donner à l'IA une « intuition » pour laquelle les molécules constitueront les meilleurs médicaments

Horodatage: 3 novembre 2023, 10 h 18
Comment donner à l'IA un « instinct » pour savoir quelles molécules fabriqueront les meilleurs médicaments PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

L’intuition et l’IA forment un étrange couple.

L'intuition est difficile à décrire. C’est cette intuition qui vous ronge, même si vous ne savez pas pourquoi. Nous construisons naturellement notre intuition à travers l’expérience. Les intuitions ne sont pas toujours exactes ; mais ils s’insinuent souvent dans notre subconscient pour compléter la logique et le raisonnement lors de la prise de décision.

L’IA, en revanche, apprend rapidement en digérant des millions de données froides et concrètes, produisant des résultats purement analytiques, voire toujours raisonnables, basés sur ses entrées.

Maintenant, une nouvelle étude in Communications Nature épouse une paire impaire, ce qui donne naissance à un système d'apprentissage automatique qui capture l'intuition d'un chimiste en matière de développement de médicaments.

En analysant les commentaires de 35 chimistes de Novartis, une société pharmaceutique basée en Suisse, l'équipe a développé un modèle d'IA qui apprend de l'expertise humaine dans une étape notoirement difficile du développement de médicaments : trouver des produits chimiques prometteurs compatibles avec notre biologie.

Premièrement, les chimistes ont utilisé leur intuition pour choisir laquelle, parmi 5,000 XNUMX paires chimiques, avait le plus de chances de devenir un médicament utile. À partir de ces commentaires, un simple réseau de neurones artificiels a appris leurs préférences. Lorsqu’il était confronté à de nouveaux produits chimiques, le modèle d’IA attribuait à chacun un score indiquant s’il valait la peine d’être développé en tant que médicament.

Sans aucun détail sur les structures chimiques elles-mêmes, l’IA a noté « intuitivement » certains composants structurels, souvent présents dans les médicaments existants, plus haut que d’autres. Étonnamment, il a également capturé des propriétés nébuleuses non explicitement programmées lors des précédentes tentatives de modélisation informatique. Associé à un modèle d’IA générative, comme DALL-E, le robot-chimiste a conçu une multitude de nouvelles molécules comme pistes potentielles.

De nombreux candidats médicaments prometteurs reposaient sur un « savoir-faire collaboratif », a écrit l’équipe.

L'étude est une collaboration entre Novartis et Microsoft Research AI4Science, ce dernier basé au Royaume-Uni.

Dans le terrier du lapin chimique

La plupart de nos médicaments quotidiens sont fabriqués à partir de petites molécules : du Tylenol contre la douleur, de la metformine pour la gestion du diabète et des antibiotiques pour lutter contre les infections bactériennes.

Mais trouver ces molécules est une tâche ardue.

Premièrement, les scientifiques doivent comprendre comment fonctionne la maladie. Par exemple, ils déchiffrent la chaîne de réactions biochimiques qui vous donnent de violents maux de tête. Ils trouvent ensuite le maillon le plus faible de la chaîne, qui est souvent une protéine, et modélisent sa forme. Structure en main, ils localisent les coins et recoins dans lesquels les molécules peuvent se coincer pour perturber le fonctionnement de la protéine, stoppant ainsi le processus biologique : voilà, fini les maux de tête.

Grâce au IA de prédiction des protéines, comme AlphaFold, RoseTTAFold et leurs ramifications, il est désormais plus facile de modéliser la structure d'une protéine cible. Trouver une molécule qui lui convient est une autre affaire. Le médicament n’a pas seulement besoin de modifier l’activité de la cible. Il doit également être facilement absorbé, se propager à l’organe ou au tissu cible et être métabolisé et éliminé du corps en toute sécurité.

C'est ici qu'interviennent les chimistes médicinaux. Ces scientifiques sont des pionniers dans l’adoption de la modélisation informatique. Il y a plus de deux décennies, le domaine a commencé à utiliser des logiciels pour passer au crible d’énormes bases de données de produits chimiques à la recherche de pistes prometteuses. Chaque piste potentielle est ensuite évaluée par une équipe de chimistes avant de poursuivre son développement.

Grâce à ce processus, les chimistes médicinaux construisent une intuition qui leur permet de prendre des décisions efficacement lors de l’examen de candidats médicaments prometteurs. Une partie de leur formation peut être distillé en règles pour que les ordinateurs apprennent – ​​par exemple, cette structure ne passera probablement pas dans le cerveau ; celui-là pourrait endommager le foie. Ces règles expertes ont aidé à la sélection initiale. Mais jusqu’à présent, aucun programme ne peut saisir les subtilités et les complexités de leur prise de décision, en partie parce que les chimistes ne peuvent pas l’expliquer eux-mêmes.

J'ai un sentiment

La nouvelle étude cherchait à capturer l’inexplicable dans un modèle d’IA.

L'équipe a recruté 35 chimistes experts dans différents centres Novartis à travers le monde, chacun possédant une expertise différente. Certains travaillent par exemple avec des cellules et des tissus, d’autres avec une modélisation informatique.

L'intuition est difficile à mesurer. Ce n'est pas non plus vraiment fiable. Comme base de référence, l'équipe a conçu un jeu multijoueur pour évaluer si chaque chimiste était cohérent dans ses choix et si ses choix concordaient avec ceux des autres. Chaque chimiste a vu 220 paires de molécules et a posé une question intentionnellement vague. Par exemple, imaginez que vous participez à une première campagne de dépistage virtuel et que nous avons besoin d'un médicament qui peut être pris sous forme de pilule : quelle molécule préférez-vous ?

L’objectif était de réduire la réflexion excessive, en poussant les chimistes à se fier à leur intuition pour déterminer quel produit chimique reste et lequel disparaît. Cette configuration diffère des évaluations habituelles, dans lesquelles les chimistes vérifient des propriétés moléculaires spécifiques avec des modèles prédictifs, c'est-à-dire des données concrètes.

Les chimistes étaient cohérents dans leur propre jugement, mais n'étaient pas toujours d'accord les uns avec les autres, probablement en raison d'expériences personnelles différentes. Cependant, il y avait suffisamment de chevauchement pour former un modèle sous-jacent dont un modèle d’IA pourrait tirer des leçons, a expliqué l’équipe.

Ils ont ensuite constitué l'ensemble de données à 5,000 XNUMX paires de molécules. Les molécules, chacune étiquetée avec des informations sur sa structure et d’autres caractéristiques, ont été utilisées pour former un simple réseau neuronal artificiel. Grâce à la formation, le réseau d’IA a encore ajusté son fonctionnement interne en fonction des commentaires des chimistes, attribuant finalement un score à chaque molécule.

À titre de contrôle de cohérence, l'équipe a testé le modèle sur des paires chimiques différentes de celles de son ensemble de données d'entraînement. À mesure qu’ils augmentaient le nombre d’échantillons d’entraînement, les performances augmentaient.

Alors que les programmes informatiques antérieurs s'appuyaient sur des règles définissant ce qui constitue un médicament prometteur basé sur la structure moléculaire, les scores du nouveau modèle ne reflétaient directement aucune de ces règles. L’IA a capturé une vision plus globale d’un produit chimique – une approche totalement différente de découverte de médicament que celui utilisé dans les logiciels de robot-chimiste classiques.

À l’aide de l’IA, l’équipe a ensuite examiné des centaines de médicaments approuvés par la FDA et des milliers de molécules provenant d’une banque de données chimiques. Même sans formation explicite, le modèle a extrait des structures chimiques – appelées « fragments » – qui se prêtent mieux à un développement ultérieur en tant que médicaments. Les préférences de notation de l'IA correspondaient à celles des molécules médicamenteuses existantes, ce qui suggère qu'elle avait saisi l'essentiel de ce qui constitue une piste potentielle.

Romance chimique

Novartis n'est pas la première entreprise à explorer une romance chimique homme-robot.

Auparavant, la société pharmaceutique Merck également exploité dans leur expertise interne pour classer les produits chimiques en fonction d'un caractère souhaitable. En dehors de l'industrie, une équipe à l'Université de Glasgow a exploré l'utilisation de robots basés sur l'intuition pour des expériences chimiques inorganiques.

Il s’agit encore d’une petite étude et les auteurs ne peuvent exclure les erreurs humaines. Certains chimistes peuvent choisir une molécule en fonction de préjugés personnels difficiles à éviter complètement. Cependant, cette configuration pourrait être utilisée pour étudier d’autres étapes de la découverte de médicaments qui sont coûteuses à réaliser expérimentalement. Et même si le modèle repose sur l’intuition, ses résultats pourraient être renforcés par des filtres basés sur des règles pour améliorer encore ses performances.

Nous sommes à une époque où l'apprentissage automatique peut concevoir des dizaines de milliers de molécules, a expliqué l'équipe. Un chimiste adjoint en IA, armé d’intuition, pourrait aider à sélectionner les candidats dès les premiers stades critiques de la découverte d’un médicament et, par conséquent, accélérer l’ensemble du processus.

Crédit image: Eugénie Kozyr / Unsplash

Horodatage:

Plus de Singularity Hub