Как дать ИИ «внутреннее ощущение», для которого молекулы станут лучшими лекарствами

Интуиция и ИИ составляют странную пару.

Интуицию трудно описать. Это внутреннее чувство гложет вас, даже если вы не знаете почему. Мы естественным образом создаем интуицию через опыт. Интуитивные чувства не всегда верны; но они часто проникают в наше подсознание, чтобы дополнить логику и рассуждения при принятии решений.

ИИ, напротив, быстро учится, переваривая миллионы холодных, достоверных данных, производя чисто аналитические — хотя и не всегда разумные — результаты на основе своих входных данных.

Теперь, нового исследования in Природа связи женится на нечетной паре, в результате чего создается система машинного обучения, которая отражает интуицию химика при разработке лекарств.

Проанализировав отзывы 35 химиков швейцарской фармацевтической компании Novartis, команда разработала модель искусственного интеллекта, которая учится на человеческом опыте на крайне сложном этапе разработки лекарств: поиске многообещающих химических веществ, совместимых с нашей биологией.

Сначала химики использовали свою интуицию, чтобы выбрать, какая из 5,000 химических пар имеет больше шансов стать полезным лекарством. На основании этой обратной связи простая искусственная нейронная сеть узнала их предпочтения. При вызове новых химических веществ модель искусственного интеллекта давала каждому из них оценку, определяющую, достоин ли он дальнейшего развития в качестве лекарства.

Не имея каких-либо подробностей о самих химических структурах, ИИ «интуитивно» оценил некоторые структурные компоненты, которые часто встречаются в существующих лекарствах, выше, чем другие. Удивительно, но он также уловил туманные свойства, которые не были явно запрограммированы в предыдущих попытках компьютерного моделирования. В сочетании с генеративной моделью искусственного интеллекта, такой как DALL-E, робот-химик разработал множество новых молекул в качестве потенциальных потенциальных клиентов.

Многие многообещающие кандидаты в лекарства были основаны на «совместных ноу-хау», пишет команда.

Исследование является результатом сотрудничества Novartis и Microsoft Research AI4Science, последняя находится в Великобритании.

Вниз по химической кроличьей норе

Большинство наших повседневных лекарств состоят из небольших молекул: тайленол для лечения боли, метформин для лечения диабета, антибиотики для борьбы с бактериальными инфекциями.

Но найти эти молекулы — это боль.

Во-первых, ученым необходимо понять, как действует болезнь. Например, они расшифровывают цепочку биохимических реакций, вызывающих сильную головную боль. Затем они находят самое слабое звено в цепи, которым часто является белок, и моделируют его форму. Имея в руках структуру, они определяют укромные уголки и щели, в которые могут застрять молекулы, нарушая функцию белка, тем самым останавливая биологический процесс — вуаля, головной боли больше нет.

Благодаря ИИ для прогнозирования белков, таких как AlphaFold, RoseTTAFold и их ответвления, теперь легче моделировать структуру целевого белка. Найти подходящую ему молекулу – другое дело. Препарату не просто нужно изменить активность цели. Он также должен легко всасываться, распространяться в целевой орган или ткань, безопасно метаболизироваться и выводиться из организма.

Вот тут-то и приходят на помощь химики-медики. Эти учёные являются пионерами в использовании компьютерного моделирования. Более двух десятилетий назад в этой области начали использовать программное обеспечение для анализа огромных баз данных химических веществ в поисках многообещающих потенциальных клиентов. Каждый потенциальный лидер затем оценивается командой химиков перед дальнейшей разработкой.

Благодаря этому процессу химики-медики создают интуицию, которая позволяет им эффективно принимать решения при рассмотрении перспективных кандидатов на лекарства. Некоторые из их тренировок могут быть сведено к правилам чтобы компьютеры могли учиться — например, эта структура, скорее всего, не перейдет в мозг; что можно повредить печень. Эти экспертные правила помогли провести первоначальный скрининг. Но пока ни одна программа не может отразить тонкости и тонкости принятия ими решений, отчасти потому, что химики не могут этого объяснить сами.

У меня ощущение

Новое исследование стремилось уловить необъяснимое в модели ИИ.

Команда наняла 35 экспертов-химиков из различных центров Novartis по всему миру, каждый из которых обладает разным опытом. Некоторые работают с клетками и тканями, например, другие — с компьютерным моделированием.

Интуицию трудно измерить. Это также не совсем надежно. В качестве отправной точки команда разработала многопользовательскую игру, чтобы проверить, последователен ли каждый химик в своем выборе и совпадают ли его решения с решениями других. Каждому химику показали 220 пар молекул и задали намеренно расплывчатый вопрос. Например, представьте, что вы участвуете в ранней кампании виртуального скрининга, и нам нужен препарат, который можно принимать в виде таблетки — какую молекулу вы бы предпочли?

Цель заключалась в том, чтобы уменьшить чрезмерное мышление, подтолкнув химиков полагаться на свою интуицию, чтобы понять, какое химическое вещество остается, а какое уходит. Эта установка отличается от обычных оценок, когда химики проверяют определенные молекулярные свойства с помощью прогнозных моделей, то есть точных данных.

Химики были последовательны в своих суждениях, но не всегда соглашались друг с другом — вероятно, из-за разного личного опыта. Тем не менее, по словам команды, совпадений было достаточно, чтобы сформировать базовый шаблон, на котором могла бы учиться модель ИИ.

Затем они увеличили набор данных до 5,000 пар молекул. Молекулы, каждая из которых была помечена информацией о ее структуре и других характеристиках, использовались для обучения простой искусственной нейронной сети. По мере обучения сеть ИИ дополнительно корректировала свою внутреннюю работу на основе отзывов химиков, в конечном итоге присваивая каждой молекуле балл.

В качестве проверки работоспособности команда протестировала модель на химических парах, отличных от пар в ее обучающем наборе данных. По мере увеличения количества обучающих выборок производительность резко возросла.

В то время как более ранние компьютерные программы полагались на правила определения перспективных лекарств, основанные на молекулярной структуре, оценки новой модели не отражали напрямую ни одно из этих правил. ИИ представил более целостное представление о химическом веществе — совершенно другой подход к его изучению. лекарств чем тот, который используется в классическом программном обеспечении роботов-химиков.

Используя ИИ, команда затем проверила сотни одобренных FDA лекарств и тысячи молекул из банка химических данных. Даже без явного обучения модель извлекла химические структуры, называемые «фрагментами», которые более пригодны для дальнейшей разработки в качестве лекарств. Предпочтения ИИ по оценке совпадали с предпочтениями существующих молекул, подобных наркотикам, что позволяет предположить, что он уловил суть того, что делает потенциальный лидер.

Химический роман

Novartis — не первая компания, которая исследует химический роман человека и робота.

Ранее фармацевтическая компания Merck также постучал в свой собственный опыт для ранжирования химических веществ по желательному признаку. За пределами отрасли, команда в Университете Глазго изучал использование роботов, основанных на интуиции, для неорганических химических экспериментов.

Это все еще небольшое исследование, и авторы не могут исключить человеческие ошибки. Некоторые химики могут выбрать молекулу, основываясь на личных предубеждениях, которых трудно полностью избежать. Однако эту установку можно использовать для изучения других этапов открытия лекарств, выполнение которых экспериментально требует больших затрат. И хотя модель основана на интуиции, ее результаты могут быть подкреплены фильтрами на основе правил для дальнейшего повышения ее производительности.

«Мы живем в эпоху, когда машинное обучение может создавать десятки тысяч молекул», — объяснили команда. Помощник химика по искусственному интеллекту, вооруженный интуицией, может помочь сузить круг кандидатов на критически важном раннем этапе открытия лекарств и, в свою очередь, ускорить весь процесс.

Изображение Фото: Евгения Козырь / Unsplash

• SEO-контент и PR-распределение. Получите усиление сегодня.
• PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
• ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
• ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
• ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
• Источник: https://singularityhub.com/2023/11/03/how-to-give-ai-a-gut-feeling-for-which-molecules-will-make-the-best-drugs/