Изкуствен интелект, ще се потопите в свят на молекули в търсене на невероятни лекарства

Тъмна нощ, далеч от светлините на града, звездите на Млечния път като че ли са безброй. Но от всяка точка с невъоръжено око не можеше да види повече от 4500 звезди. Но в нашата галактика на 100-400 милиарда галактики във Вселената, а дори и повече. Оказва се, че в нощното небе, не са много звезди. Въпреки това, дори тази цифра ни дава дълбоко в историята ... наркотици и лекарства. Фактът, че броят на възможните органични съединения с лекарствени правомощия-голям от броя на звездите във Вселената повече от 30 порядъци. И химични конфигурации, които осигуряват учени от съществуващи лекарства, подобни на звездите, които бихме могли да видят в центъра на града през нощта.

Изкуствен интелект, ще се потопите в свят на молекули в търсене на невероятни лекарства

Търсене на всички възможни лекарства - непосилна задача за човек, както и изследване на всички от физическото пространство, а дори и да можехме, повечето от откритите няма да отговаря на нашите цели. Въпреки това, идеята, че чудотворната лекарството може да се скрие сред много, твърде изкушаващо да се игнорира.

Ето защо ние трябва да се използва изкуствен интелект, който е в състояние да работят повече и да ускори откриването. Така казва Алекс Ларк, пожелал Експоненциална медицина в Сан Диего миналата седмица. Това приложение може да бъде най-големият за AI в медицината.

Кучета, диагностика и лечение

Чучулиги - главен изпълнителен директор Insilico Медицина и CSO Biogerontology фондация за научни изследвания. Insilico - един от многото стартиращи компании, които се развиват AI, в състояние да се ускори откриването на нови лекарства и медикаменти. През последните няколко години, каза Ларк, добре позната техника за машинно обучение - задълбочено обучение - провежда напредъка на няколко фронта. Алгоритми, които могат да се научат да играят на видео игри - като AlphaGo нула или покер играч Карнеги Мелън - представляват най-големият обект на интерес. Но разпознаване на образи - това даде мощен тласък на по-дълбок живот, машинно обучение алгоритми, когато най-накрая започна да се прави разлика котки от кучета и го правят доста бързо и точно.

В медицината дълбоки алгоритми за учене обучени на базата данни медицински изображения, може да открие животозастрашаващо заболяване, с равна или по-голяма точност, отколкото към хората експерти. Има дори и намек, че изкуственият интелект, ако се научим да му се доверите, може да бъде безценен при диагностицирането на болестта. И както е отбелязано от чучулига, идващи повече приложения и опит само ще растат.

"Показва Tesla вече колите на улицата", казва чучулига. "Три-, четири години Технологията вече превозва пътници от точка А до точка Б със скорост от 200 километра в час; една грешка - и ти си мъртъв. Но хората се доверяват на живота си на тази технология. "

"Защо да не направим същото и във фармацевтичната индустрия?".

Опити и грешка, отново и отново

В фармацевтични изследвания AI няма да се налага да карам колата. Той ще се превърне в асистент, който се свърже с химик или два ще бъде в състояние да се ускори откриването на наркотици, търсят повече възможности за намиране на най-добрите кандидати. оптимизация и ефективност Space е огромен, казва чучулига.

Търсене на продукти - трудоемък и скъп задача. Химиците проверени десетки хиляди възможни съединения в търсенето на най-обещаващи. От тях само няколко преминете към по-нататъшно проучване, и още по-малко ще бъде тестван върху хора, и всички тези трохи са одобрени за употреба.

Целият този процес може да отнеме много години и да струва стотици милиони долари.

Този проблем се отнася до големи данни (големи данни), и по-задълбочено обучение успее в работата с големи данни. Първото приложение показа, че системата AI основава на задълбочен обучение са в състояние да намери фините модели в огромни информационни елементи. Въпреки че производителите на лекарства са били с помощта на софтуера за проверка на съединения, такъв софтуер изисква ясни правила, написани от химици. Плюсове AI в този случай - способността му да се учи и да се подобри себе си.

"Има два въз основа на Иновационната стратегия на AI във фармацевтичната индустрия, която ще ви осигури най-добрите молекули и бързо одобрение", казва чучулига. "Едно е да търсиш игла в купа сено, а другият създава нова игла."

За да намерите игла в купа сено, алгоритми са обучени в голяма база данни от молекули. След това те се стремят молекула с подходящи свойства. Но за да се създаде нова игла? Тази възможност предоставя генеративен спорен мрежа, която е специализирана Чучулиги. Такива алгоритми поставени две невронни мрежи срещу друг. Един генерира значими резултати, а другият да реши дали това е в резултат на вярно или невярно, казва чучулига. Заедно, тези мрежи генерират нови обекти, като текст, изображения, или, в този случай, молекулярната структура.

"Ние започнахме да използваме тази конкретна технология за дълбоки невронни мрежи да си представи нови молекули, за да стане перфектно от самото начало. Имаме нужда от общи игли ", казва чучулига. "Можете да се обърнете към този генеративен конкурентна мрежа и я помоли да се създаде молекули, които инхибират протеин X за концентрация Y, с най-висока жизнеспособност, определени характеристики и минимални странични ефекти."

Чучулигата вярва, че AI може да намери или произвеждаме повече игли от снимачната площадка на молекулярни характеристики, безплатни химици хора, така че те да могат да се съсредоточат върху синтеза на само най-обещаващи. Ако тя работи, той се надява, че ще бъде в състояние да се увеличи броя на посещенията, свеждане до минимум грешките и да ускори целия процес.

шапката факта,

Insilico не само търси нови начини за създаване на наркотици, и това не е нова област на интерес. Миналата година групата Харвард публикува книга по темата за AI, която по същия начин избира кандидати на лекарствата. Софтуер обучени по 250 000 лекарствени молекули и използва своя опит за създаване на нови молекули, които са били смесени съществуващите лекарства и да прави предложения въз основа на желаните свойства. Въпреки това, както е отбелязано от MIT Technology Review, резултатите не винаги са смислени или лесно синтезирани в лаборатория, както и качеството на тези резултати, както винаги, високо до степента, предвидена от оригиналното качество на данните. казва Станфорд професор по химия Виджей Панде този образ, глас и текст - които в момента са обект на интерес в дълбочина обучение - добри и чисти данни. Но химични данни, от друга страна, все още е оптимизиран за задълбочено обучение. В допълнение, въпреки че има публични бази данни, повечето от данните са все още живеят при закрити врата на частни компании.

За да се преодолее всички препятствия Zhavoronkova компания, фокусирана върху проверка технология. Но тази година, скептицизъм във фармацевтичната индустрия, изглежда, се заменя с интерес и инвестиции. Дори Google може да пробие в състезанието.

Веднага след като се развива AI и хардуер, най-голям потенциал все още не е оповестена. Може би един ден всички 10 60 на молекулите в областта на лекарства ще бъде с които разполагаме.

Свързани статии