Jak dać AI „przeczucie”, które pozwoli wybrać cząsteczki, które pozwolą stworzyć najlepsze leki

Intuicja i sztuczna inteligencja tworzą dziwną parę.

Intuicję trudno opisać. To przeczucie, które cię dręczy, nawet jeśli nie wiesz dlaczego. W naturalny sposób budujemy intuicję poprzez doświadczenie. Przeczucia nie zawsze są właściwe; ale często wkradają się do naszej podświadomości, aby uzupełnić logikę i rozumowanie podczas podejmowania decyzji.

Sztuczna inteligencja natomiast szybko się uczy, przetwarzając miliony zimnych i twardych danych, tworząc na ich podstawie czysto analityczne – choć nie zawsze rozsądne – wyniki.

Teraz, nowe badanie in Nature Communications łączy nieparzystą parę, tworząc system uczenia maszynowego, który rejestruje intuicję chemika w zakresie opracowywania leków.

Analizując opinie 35 chemików ze szwajcarskiej firmy farmaceutycznej Novartis, zespół opracował model sztucznej inteligencji, który uczy się na podstawie wiedzy ludzkiej na niezwykle trudnym etapie opracowywania leków: znajdowaniu obiecujących substancji chemicznych zgodnych z naszą biologią.

Po pierwsze, chemicy wykorzystali swoją intuicję, aby wybrać, która z 5,000 par chemicznych ma większą szansę stać się użytecznym lekiem. Na podstawie tych informacji prosta sztuczna sieć neuronowa nauczyła się ich preferencji. W przypadku konfrontacji z nowymi substancjami chemicznymi model sztucznej inteligencji przyznał każdemu z nich wynik oceniający, czy zasługuje on na dalszy rozwój jako lek.

Bez żadnych szczegółów na temat samej struktury chemicznej, sztuczna inteligencja „intuicyjnie” oceniła niektóre składniki strukturalne, które często występują w istniejących lekach, wyżej niż inne. Co zaskakujące, uchwycił także mgliste właściwości, które nie zostały wyraźnie zaprogramowane w poprzednich próbach modelowania komputerowego. W połączeniu z generatywnym modelem sztucznej inteligencji, takim jak DALL-E, robochemik zaprojektował mnóstwo nowych cząsteczek jako potencjalnych potencjalnych klientów.

Zespół napisał, że wielu obiecujących kandydatów na leki opierało się na „zbiorczym know-how”.

Badanie jest wynikiem współpracy firm Novartis i Microsoft Research AI4Science, tej ostatniej z siedzibą w Wielkiej Brytanii.

W dół chemicznej króliczej nory

Większość naszych codziennych leków składa się z małych cząsteczek – Tylenolu na ból, metforminy na leczenie cukrzycy, antybiotyków do zwalczania infekcji bakteryjnych.

Ale znalezienie tych cząsteczek jest trudne.

Po pierwsze, naukowcy muszą zrozumieć, jak działa ta choroba. Na przykład rozszyfrowują łańcuch reakcji biochemicznych, które powodują pulsujący ból głowy. Następnie znajdują najsłabsze ogniwo łańcucha, którym często jest białko i modelują jego kształt. Mając strukturę, wskazują zakamarki i szczeliny, w które mogą wcisnąć się cząsteczki, zakłócając funkcjonowanie białka, zatrzymując w ten sposób proces biologiczny – i voilà, koniec z bólami głowy.

Dzięki AI przewidywania białek, takie jak AlphaFold, RoseTTAFold i ich odgałęzienia, teraz łatwiej jest modelować strukturę docelowego białka. Znalezienie cząsteczki, która do niej pasuje, to inna sprawa. Lek nie musi tylko zmieniać aktywności celu. Musi także być łatwo wchłaniany, rozprzestrzeniać się do docelowego narządu lub tkanki oraz być bezpiecznie metabolizowany i eliminowany z organizmu.

I tu z pomocą przychodzą chemicy zajmujący się medycyną. Ci naukowcy są pionierami w zastosowaniu modelowania komputerowego. Ponad dwie dekady temu w tej dziedzinie zaczęto używać oprogramowania do przeszukiwania niezwykle dużych baz danych dotyczących chemikaliów w poszukiwaniu obiecujących potencjalnych klientów. Każdy potencjalny lead jest następnie oceniany przez zespół chemików przed dalszym opracowaniem.

Dzięki temu procesowi chemicy zajmujący się medycyną budują intuicję, która pozwala im efektywnie podejmować decyzje podczas przeglądu obiecujących kandydatów na leki. Niektóre z ich szkoleń mogą być destylowane w zasady aby komputery mogły się uczyć — na przykład ta struktura prawdopodobnie nie przejdzie do mózgu; że można uszkodzić wątrobę. Te zasady eksperckie pomogły w wstępnej kontroli. Jednak jak dotąd żaden program nie jest w stanie uchwycić subtelności i zawiłości procesu decyzyjnego, częściowo dlatego, że chemicy nie potrafią tego sami wyjaśnić.

Mam przeczucie

W nowym badaniu starano się uchwycić to, co niewytłumaczalne, w modelu sztucznej inteligencji.

Zespół zrekrutował 35 chemików-ekspertów z różnych ośrodków Novartis na całym świecie, każdy z inną wiedzą specjalistyczną. Niektórzy pracują na przykład z komórkami i tkankami, inni z modelowaniem komputerowym.

Intuicję trudno zmierzyć. Nie jest też do końca niezawodny. Jako punkt wyjścia zespół zaprojektował grę wieloosobową, aby ocenić, czy każdy aptekarz był konsekwentny w swoich wyborach i czy ich wybory zgadzały się z wyborami innych. Każdemu chemikowi pokazano 220 par cząsteczek i zadał celowo niejasne pytanie. Wyobraź sobie na przykład, że bierzesz udział w początkowej kampanii wirtualnych badań przesiewowych i potrzebujemy leku, który można przyjmować w postaci pigułki. Którą cząsteczkę wolisz?

Celem było ograniczenie nadmiernego myślenia, co skłoniło chemików do polegania na swojej intuicji, w przypadku której substancji chemicznej zostaje, a która znika. Konfiguracja ta różni się od zwykłych ocen, w których chemicy sprawdzają określone właściwości molekularne za pomocą modeli predykcyjnych, czyli twardych danych.

Chemicy byli konsekwentni w swoich ocenach, ale nie zawsze się ze sobą zgadzali – prawdopodobnie z powodu odmiennych osobistych doświadczeń. Jednak pokrywanie się było wystarczające, aby stworzyć podstawowy wzorzec, z którego model sztucznej inteligencji mógł się uczyć – wyjaśnił zespół.

Następnie zbudowali zbiór danych do 5,000 par cząsteczek. Cząsteczki, każda oznaczona informacją o jej strukturze i innych cechach, wykorzystano do uczenia prostej sztucznej sieci neuronowej. Dzięki szkoleniom sieć sztucznej inteligencji jeszcze bardziej dostosowała swoje wewnętrzne działanie w oparciu o opinie chemików, ostatecznie przyznając każdej cząsteczce ocenę.

W celu sprawdzenia poprawności zespół przetestował model na parach chemicznych innych niż te w zbiorze danych szkoleniowych. W miarę zwiększania liczby próbek szkoleniowych wydajność wzrosła.

Podczas gdy wcześniejsze programy komputerowe opierały się na zasadach określania obiecującego leku opartego na strukturze molekularnej, wyniki nowego modelu nie odzwierciedlały bezpośrednio żadnej z tych zasad. Sztuczna inteligencja uchwyciła bardziej całościowe spojrzenie na substancję chemiczną – zupełnie inne podejście odkrycie narkotyków niż stosowane w klasycznym oprogramowaniu robo-chemist.

Korzystając ze sztucznej inteligencji, zespół następnie sprawdził setki leków zatwierdzonych przez FDA i tysiące cząsteczek z banku danych chemicznych. Nawet bez specjalnego przeszkolenia model wyodrębnił struktury chemiczne – zwane „fragmentami” – które bardziej nadają się do dalszego rozwoju jako leki. Preferencje punktowe sztucznej inteligencji odpowiadały preferencjom istniejących cząsteczek podobnych do narkotyków, co sugeruje, że zrozumiała ona istotę tego, co stanowi potencjalny trop.

Chemiczny Romans

Novartis nie jest pierwszą firmą, która bada chemiczny romans człowieka i robota.

Wcześniej firma farmaceutyczna Merck również stuknął w celu uszeregowania substancji chemicznych pod kątem pożądanej cechy. Poza branżą, drużyna na Uniwersytecie w Glasgow badali wykorzystanie robotów opartych na intuicji do eksperymentów z chemią nieorganiczną.

To wciąż małe badanie i autorzy nie mogą wykluczyć ludzkich błędów. Niektórzy chemicy mogą wybrać cząsteczkę w oparciu o osobiste uprzedzenia, których trudno całkowicie uniknąć. Jednakże tę konfigurację można wykorzystać do badania innych etapów odkrywania leków, których przeprowadzenie w warunkach eksperymentalnych jest kosztowne. Chociaż model opiera się na intuicji, jego wyniki można wzmocnić za pomocą filtrów opartych na regułach, aby jeszcze bardziej poprawić jego wydajność.

Żyjemy w epoce, w której uczenie maszynowe może zaprojektować dziesiątki tysięcy cząsteczek – wyjaśnił zespół. Uzbrojony w intuicję asystent chemika AI mógłby pomóc w zawęzeniu kandydatów na krytycznym wczesnym etapie odkrywania leku, a co za tym idzie, przyspieszyć cały proces.

Kredytowych Image: Eugenia Kozyr / Unsplash

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://singularityhub.com/2023/11/03/how-to-give-ai-a-gut-feeling-for-which-molecules-will-make-the-best-drugs/