Темной ночью, вдали от городского света, звезды Млечного Пути кажутся несметными. Но из любой точки невооруженному глазу видно не больше 4500 звезд. В нашей же галактике их 100-400 миллиардов, галактик во Вселенной и того больше. Выходит, в ночном небе не так много звезд. Однако даже это число открывает перед нами глубокую подноготную… лекарств и препаратов. Дело в том, что число возможных органических соединений с лекарственными способностями превышает число звезд во Вселенной более чем на 30 порядков. И химические конфигурации, которые создают ученые из существующих медикаментов, сродни звездам, которые мы могли бы увидеть в центре города ночью.

Поиск всех возможных лекарств — непосильная задача для человека, как и исследование всего физического пространства, и даже если бы мы могли, большая часть обнаруженного не соответствовала бы нашим целям. Тем не менее мысль о том, что чудесные лекарства могут скрываться среди изобилия, слишком заманчива, чтоб ее игнорировать.

Именно поэтому нам стоит использовать искусственный интеллект, который сможет работать больше и ускорить открытие. Так считает Алекс Жаворонков, выступивший на Exponential Medicine в Сан-Диего на прошлой неделе. Это применение может стать крупнейшим для ИИ в медицине.

Собаки, диагноз и лекарства

Жаворонков — CEO Insilico Medicine и CSO Biogerontology Research Foundation. Insilico — один из множества стартапов, разрабатывающих ИИ, способный ускорить открытие новых лекарств и препаратов.

За последние годы, рассказал Жаворонков, известная техника машинного обучения — глубокое обучение — осуществила прогресс на нескольких фронтах. Алгоритмы, способные обучаться игре в видеоигры — вроде AlphaGo Zero или покериста Carnegie Mellon — представляют самый большой предмет интереса. Но распознавание закономерностей — вот что дало мощный толчок глубокому обучению, когда алгоритмы машинного обучения наконец-то начали отличать кошек от собак и делать это достаточно быстро и точно.

В медицине алгоритмы глубокого обучения, обученные по базам данных медицинских снимков, могут выявлять опасные для жизни заболевания с равной или большей точностью, чем специалисты-люди. Есть даже предположение, что ИИ, если мы научимся ему доверять, может быть бесценным при диагностике болезни. И как отметил Жаворонков, грядет больше приложений и послужной список будет только расти.

«Tesla уже выводит автомобили на улицу», говорит Жаворонков. «Трех-, четырехлетняя технология уже перевозит пассажиров из пункта А в пункт Б на скорости 200 километров час; одна ошибка — и ты мертв. Но люди доверяют свои жизни этой технологии».

«Почему бы не делать того же в фармацевтике?».

Пробы и ошибки, снова и снова

В фармацевтических исследованиях ИИ не придется водить автомобиль. Он станет ассистентом, который в паре с химиком или двумя сможет ускорить открытие препаратов, просматривая больше вариантов в поисках лучших кандидатов.

Пространство для оптимизации и повышения эффективности просто огромное, считает Жаворонков.

Поиск препаратов — кропотливое и дорогостоящее занятие. Химики просеивают десятки тысяч возможных соединений в поисках самых многообещающих. Из них лишь некоторые уходят на дальнейшее изучение, и еще меньше будут проходить испытания на людях, а из этих вообще крохи будут одобрены к дальнейшему использованию.

Весь этот процесс может занять много лет и стоить сотни миллионов долларов.

Это проблема касается больших данных (big data), а глубокое обучение преуспевает в работе с большими данными. Первые приложения показали, что системы ИИ на основе глубокого обучения способны находить едва заметные закономерности в гигантских выборках данных. Хотя производители лекарств уже используют программное обеспечение для просеивания соединений, такое программное обеспечение требует четких правил, написанных химиками. Плюсы ИИ в данном деле — его способность учиться и совершенствоваться самостоятельно.

«Существует две стратегии инноваций на базе ИИ в фармацевтике, которые обеспечат вас лучшими молекулами и быстрым одобрением», говорит Жаворонков. «Один ищет иглу в стоге сена, а другой создает новую иглу».

Чтобы найти иголку в стоге сена, алгоритмы обучаются на больших база данных молекул. Затем они ищут молекулы с подходящими свойствами. Но создать новую иглу? Эту возможность предоставляют генеративные состязательные сети, на которых специализируется Жаворонков.

Такие алгоритмы ставят две нейронные сети друг против друга. Одна генерирует осмысленный результат, а другая решает, является ли этот результат истинным или ложным, говорит Жаворонков. В совокупности эти сети генерируют новые объекты, такие как текст, изображения или, в данном случае, молекулярные структуры.

«Мы начали использовать эту конкретную технологию, чтобы глубокие нейронные сети вообразили новые молекулы, чтобы сделать ее идеальной с самого начала. Нам нужны идеальные иглы», говорит Жаворонков. «Вы можете обратиться к этой генеративной состязательной сети и попросить ее создать молекулы, которые ингибируют белок Х в концентрации Y, с наивысшей жизнеспособностью, заданными характеристиками и минимальными побочными эффектами».

Жаворонков полагает, что ИИ может найти или изготовить больше иголок из множества молекулярных возможностей, освободить химиков-людей, чтобы те могли сосредоточиться на синтезе только самых перспективных. Если это сработает, как надеется он, мы сможем увеличить количество попаданий, минимизировать промахи и в целом ускорить процесс.

Дело в шляпе

Insilico не единственная занимается поиском новых путей к созданию лекарств, и это не новая область интересов. В прошлом году гарвардская группа опубликовала работу на тему ИИ, который аналогичным образом подбирает кандидатуры из лекарств. Программное обеспечение обучилось на 250 000 лекарственных молекулах и использовало свой опыт для создания новых молекул, которые смешивали существующие препараты и делали предложения на основе желаемых свойств. Однако, как отмечал MIT Technology Review, полученные результаты не всегда значимы или легко синтезируются в лаборатории, и качество этих результатов, как всегда, высоко настолько, насколько качественные предоставленные изначально данные.

Стэнфордский профессор Химии Виджай Панде говорит, что у изображений, речи и текста — которые на данный момент являются предметами интереса глубокого обучения — хорошие и чистые данные. Но химические данные, с другой стороны, по-прежнему оптимизируются для глубокого обучения. Кроме того, хотя публичные базы данных существуют, большая часть данных все еще живет за закрытой дверью частных компаний.

Чтобы преодолеть все препятствия, компания Жаворонкова сосредоточена на проверке технологии. Но в этом году скептицизм в фармацевтической отрасли, похоже, сменяется интересом и инвестициями. Даже Google может ворваться в гонку.

По мере того, как развивается ИИ и аппаратное обеспечение, наибольший потенциал еще должен быть раскрыт. Возможно, однажды, все 1060 молекул в области препаратов окажутся в нашем распоряжении.

Источник