„Patys ryškiausi įrodymai, kad dirbtinis intelektas gali suteikti gilių mokslo proveržių, buvo pristatyti Google DeepMind programoje, pavadintoje AlphaFold. 2016 m. bendrovės mokslininkai sulaukė didelio pasisekimo su AlphaGo – AI sistema, kuri iš esmės išmoko Go taisykles, toliau įveikdavo aukščiausiai įvertintus žaidimo žaidėjus, kartais naudodamas taktiką, kurios niekas niekada nenumatė.
Tai paskatino bendrovę sukurti sistemą, kuri parengtų daug sudėtingesnes taisykles: tas, kurios pagal aminorūgščių seką, kuri apibrėžia konkretų baltymą, sukuria formą, į kurią ta seka susilanksto, kai tas baltymas iš tikrųjų gaminamas. AlphaFold atrado tas taisykles ir pritaikė jas stebėtinai sėkmingai.
Laimėjimas buvo ir nuostabus, ir naudingas.
Nepaprasta, nes daug protingų žmonių dešimtmečius veltui stengėsi sukurti kompiuterinius procesų, kurių metu aminorūgščių grandinės sulankstomos į baltymus, modelius.
„AlphaFold“ nugalėjo visas šias pastangas beveik taip pat kruopščiai, kaip ją įkvėpusi sistema naikina „Go“ žaidėjus.
Naudinga, nes baltymo forma turi didžiulę praktinę reikšmę: ji lemia, ką baltymas veikia ir ką gali su juo padaryti kitos molekulės. Visi pagrindiniai gyvenimo procesai priklauso nuo to, ką veikia konkretūs baltymai. Daugumos pasaulio vaistų kūrimo programų tikslas yra rasti molekules, kurios daro norimus dalykus baltymams (kartais blokuoja jų veikimą, kartais skatina).
Dėl baltymų trimatės struktūros svarbos jai iš esmės skirta visa subdisciplina: struktūrinė biologija. Jis naudoja įvairias technologijas, kad apžiūrėtų baltymus, taikant branduolinį magnetinį rezonansą viename metode arba priverčiant juos kristalizuotis (tai gali būti labai sunku) ir apšviečiant juos rentgeno spinduliais kitame metode. Dabar darosi populiariausias trečias metodas - elektroninė mikroskopija, atskleidžianti tokias sudėtingas struktūras, kokios neprieinamos kitiems metodams. (K.))
Iki AlphaFold daugiau nei pusę amžiaus struktūrinė biologija šiomis priemonėmis sukūrė kelis šimtus tūkstančių patikimų baltymų struktūrų. AlphaFold ir jo konkurentai (ypač Meta sukurta programa) dabar pateikė išsamias daugiau, nei 600 m formų prognozes.
Mokslininkus sugniuždyti yra sunku. Tačiau jei AlphaFold produktai sužavėjo pasaulį, pagrindai, kaip jie buvo pagaminti, yra gana būdingi dalykams, kuriuos biologijai gali pasiūlyti gilus mokymasis ir generatyvus AI. Apmokytas dviejų skirtingų tipų duomenų (aminorūgščių sekos ir trimačių formų, į kurias jie sulankstomi, aprašymais), AlphaFold rado modelius, leidžiančius naudoti pirmos rūšies duomenis, kad nuspėtų antrosios. Ne visos prognozės yra tobulos. Chrisas Gibsonas, Jutoje įsikūrusios AI intensyvaus vaistų atradimo startuolio „Recursion Pharmaceuticals“ vadovas sako, kad jo įmonė AlphaFold rezultatus traktuoja, kaip hipotezes, kurias reikia išbandyti ir patvirtinti eksperimentiškai. Ne visi jie pasitvirtina. Tačiau daktaras Gibsonas taip pat sako, kad modelis greitai gerėja.
Krištolo svajonės
Būtent tai dabar daro daugybė AI biomedicinos ir ypač vaistų tyrimų pasaulyje: pateikia pasiūlymus apie tai, koks yra pasaulis, kurį mokslininkai sunkiai galėtų arba nesugalvotų patys.
Išmokytos rasti modelius, apimančius didelius skirtingų duomenų rinkinius, AI sistemos gali atrasti ryšius tarp tų duomenų, kurie turi įtakos žmogaus biologijai ir ligoms. Pateikiant naujus duomenis, jie gali panaudoti tuos implikacijų modelius, kad sukurtų naujas hipotezes, kurias vėliau galima patikrinti.
AI gebėjimas generuoti naujas idėjas suteikia vartotojams įžvalgų, kurios gali padėti nustatyti vaistų taikinius ir numatyti naujų junginių, kartais niekada anksčiau neįsivaizduojamų, kurie gali veikti, kaip vaistai, elgesį. Jis taip pat naudojamas, ieškant naujų, seniai žinomų, vaistų pritaikymo būdų, numatant naujų vaistų šalutinį poveikį ir ieškant būdų, kaip pasakyti pacientams, kuriems vaistas gali padėti, ir tiems, kuriems gali pakenkti.
Tokie skaičiavimo tikslai nėra naujiena. Didelio masto kompiuterija, mašinų mokymasis ir vaistų kūrimas jau buvo sujungti 2000-aisiais, sako Vijay Pande, tuo metu dirbęs Stanfordo universiteto mokslininkas.
Tai iš dalies buvo atsakas į biologijos priešgaisrinę žarną su naujais atradimais: dabar kasmet išleidžiama daugiau, nei milijonas biomedicininių tyrimų straipsnių.
Vienas iš pirmųjų būdų, kaip dirbtinis intelektas padėjo tai padaryti, buvo „žinių grafikai“, leidžiantys mašinoms perskaityti visą tą informaciją ir gauti įžvalgų, tarkime, kurie kraujo baltymai gali būti naudojami, kaip biologiniai žymenys ligos buvimui ar sunkumui. 2020 m. Londone įsikūrusi „BenevolentAI“ panaudojo šį metodą, kad pamatytų baricitinibo, parduodamo Eli Lilly, kaip reumatoidinio artrito gydymo priemonės, potencialą, gydant COVID-19.
Šį sausį žurnale „Science“ paskelbtame tyrime buvo aprašyta, kaip kitokio pobūdžio AI algoritmai paspartino pastangas ilgo COVID biomarkerių kraujyje paieškose. Atsižvelgiant į duomenų sudėtingumą, statistiniai metodai tokių biomarkerių atradimui gali būti sudėtingi. AI suteikia galimybę sumažinti šį triukšmą ir paspartinti naujų ligų, pvz., užsitęsusio koronaviruso, ir sunkiai diagnozuojamų ligų, pvz., ankstyvosios Alzheimerio ligos, aptikimo procesą.
Laikas tinkamas
Tačiau nepaisant šios praeities pažangos, daktaras Pande, dabar dirbantis Andreessen Horowitz, rizikos kapitalo įmonėje, kuri yra didelė jėga dirbtinio intelekto srityje, mano, kad naujesni pasiekimai žymi žingsnius pokyčiams. Biomedicininiai tyrimai, ypač biotechnologijų ir farmacijos srityse, nuolat didino savo priklausomybę nuo automatizavimo ir inžinerijos, kol naujieji pamatų modeliai neatsirado. dabar, kai tai atsitiko, atrodo, kad jiedu sustiprina vienas kitą.
Nauji pagrindų modeliai ne tik suteikia galimybę susidoroti su dideliais duomenų kiekiais; jie jų reikalauja. Gausybė patikimų duomenų, kuriuos gali pagaminti labai automatizuotos laboratorijos, yra tik tam tikras dalykas, skirtas mokymo pagrindų modeliams. Biomedicinos tyrėjams reikia visos pagalbos, kad suprastų duomenų srautus, kuriuos jie dabar gali generuoti.
Biologija gali būti laikoma „informacijos apdorojimo sistema, nors ir nepaprastai sudėtinga“.
Radę modelius, kurių žmonės nemanė ieškoti, arba neturėjo vilties rasti be pagalbos, dirbtinis intelektas siūlo mokslininkams naujų būdų tyrinėti ir suprasti gyvenimo paslaptis. Kai kas kalba apie tai, kad dirbtinis intelektas įvaldo „biologijos kalbą“, mokosi suprasti, ką evoliucija padarė tiesiogiai iš duomenų, taip pat, kaip, mokydamiesi daug tikros žmonių kalbos, jie gali sklandžiai generuoti prasmingus sakinius, kurie anksčiau niekada nebuvo pasakyti.
Demis Hassabis, „DeepMind“ vadovas, pabrėžia, kad pati biologija gali būti laikoma „informacijos apdorojimo sistema, nors ir nepaprastai sudėtinga ir dinamiška“. Įraše „Medium“ Serafimas Batzoglou, Silicio slėnio bendrovės „Seer Bio“, kurios specializacija yra baltymų elgsenos tyrimas, vyriausiasis duomenų pareigūnas, prognozuoja atviro pagrindo modelių, kurie integruos duomenis nuo genomo sekų iki medicinos istorijų, atsiradimą. Jis teigia, kad tai labai paspartins inovacijas ir patobulins tiksliąją mediciną.
Kaip ir daugelis entuziastų, besinaudojančių dirbtiniu intelektu, Dr Pande kalba apie „pramonės revoliuciją..., kaip viską keičiančią“. Tačiau jo supratimas apie iki šiol sugaištą laiką verčia jį įspėti, kad pasiekimai, pateisinantys ilgalaikį entuziazmo pasikeitimą, neatsiras per vieną naktį: „Esame pereinamam laikotarpy, kai žmonės mato skirtumą, bet dar yra ką nuveikti“.
Visi duomenys iš visur vienu metu
Daug farmacijos įmonių pastaraisiais metais daug investavo į pamatų modelių kūrimą. Be to, daugėjo į dirbtinį intelektą orientuotų įmonių, tokių, kaip Recursion, Genesis Therapeutics, įsikūrusios Silicio slėnyje, Insilico, įsikūrusios Honkonge ir Niujorke, ir Relay Therapeutics Kembridže, Masačusetso valstijoje. Daphne Koller, Pietų San Franciske esančios dirbtinio intelekto intensyvios biotechnologijos Insitro bosas sako, kad vienas iš laiko ženklų yra tai, kad jai nebereikia žmonėms aiškinti didelių kalbos modelių ir savarankiškai prižiūrimo mokymosi. O Nvidia, kuri gamina grafikos apdorojimo įrenginius, būtinus pagrindiniams modeliams maitinti, parodė didelį susidomėjimą. Praėjusiais metais ji investavo arba sudarė partnerystės sandorius su mažiausiai šešiomis skirtingomis į AI orientuotomis biotechnologijų įmonėmis, įskaitant „Schrodinger“, kitą Niujorke įsikūrusią įmonę, „Genesis“, „Recursion“ ir „Genentech“, nepriklausomą „Roche“, didelės Šveicarijos farmacijos įmonės, dukterinę įmonę.
Vaistų atradimo modeliai, su kuriais dirba daugelis įmonių, gali pasimokyti iš daugybės biologinių duomenų, įskaitant genų sekas, ląstelių ir audinių nuotraukas, atitinkamų baltymų struktūras, kraujo biomarkerius, specifinėse ląstelėse gaminamus baltymus ir klinikinių duomenų apie ligos eigą ir gydymo poveikį pacientams. Išmokę AI gali būti tiksliai sureguliuoti, naudojant pažymėtus duomenis, kad padidintų jų galimybes.
Ypač įdomus yra pacientų duomenų naudojimas. Dėl gana akivaizdžių priežasčių eksperimentuojant dažnai neįmanoma nustatyti tikslios ligos veikimo eigos žmonėms. Taigi vaistų kūrimas paprastai labai priklauso nuo gyvūnų modelių, net jei jie gali būti klaidinantys. AI modeliai, kurie yra išmokyti ir geriau prisitaikę prie žmogaus biologijos, gali padėti išvengti kai kurių akligatvių, trukdančių kurti vaistus.
Pavyzdžiui, Insitro treniruoja savo modelius, susijusius su patologijos skaidrėmis, genų sekomis, MRT duomenimis ir kraujo baltymais. Vienas iš jos modelių gali susieti pokyčius, kaip ląstelės atrodo po mikroskopu, su pagrindinėmis genomo mutacijomis ir su įvairių ligų klinikiniais rezultatais. Bendrovė tikisi panaudoti šiuos ir panašius metodus, kad surastų būdus, kaip nustatyti vėžiu sergančių pacientų pogrupius, kurie ypač gerai atitiks tam tikrus gydymo kursus.
„Recursion“ teigia, kad naudojant laboratorinę robotiką kiekvieną savaitę galima atlikti 2,2 mln. eksperimentų.
Kartais naudinga sužinoti, į kokį duomenų aspektą AI reaguoja. 2019 m. Paryžiuje įsikūrusi „AI biotechnologija“ Owkin paskelbė išsamią informaciją apie giluminį neuroninį tinklą, išmokytą prognozuoti pacientų, sergančių piktybine mezotelioma, plaučius supančio audinio vėžiu, išgyvenimą, remiantis ant stiklelių pritvirtintais audinių mėginiais. Nustatyta, kad AI prognozėms labiausiai tinka ne pačios vėžio ląstelės, o netoliese esančios ne vėžinės ląstelės. Owkin komanda atnešė papildomų ląstelių ir molekulinių duomenų ir atrado naują vaistų tikslą. Praėjusių metų rugpjūtį mokslininkų komanda iš Indianos universiteto Bloomington parengė duomenų apie vėžio ląstelių reakciją į vaistus (įskaitant genetinę informaciją) ir cheminių vaistų struktūrų modelį, leidžiantį numatyti, kaip veiksmingas vaistas būtų gydant konkretų vėžį.
Daugeliui, dirbtinį intelektą naudojančių, įmonių reikia tiek daug aukštos kokybės duomenų, kad jos pačios juos generuoja vykdydamos vaistų kūrimo programas, o ne laukia, kol jie bus paskelbti kitur. Vienas iš šios temos variantų yra sukurtas naujame „Genentech“ skaičiavimo mokslų padalinyje, kuris naudoja „laboratorijos ciklas“ metodą, kad mokytų savo AI. Sistemos prognozės yra išbandomos dideliu mastu, atliekant eksperimentus su automatizuotomis laboratorinėmis sistemomis. Tų eksperimentų rezultatai naudojami dirbtinio intelekto perkvalifikavimui ir jo tikslumui padidinti.
Panašią strategiją taikanti, bendrovė „Recursion“ teigia, kad gali naudoti automatizuotą laboratorinę robotiką, kad kiekvieną savaitę atliktų 2,2 mln. eksperimentų.
Esmė yra tai pakeisti
Kadangi farmacijos įmonės vis labiau trokšta duomenų, susirūpinimas pacientų duomenų privatumu tampa vis ryškesnis. Vienas iš problemos sprendimo būdų, kurį, be kita ko, naudoja Owkinas, yra „federated learning“, kai mokymo duomenys, kurių reikia vėžio ląstelių tipų atlasui sudaryti, niekada nepalieka ligoninės, kurioje saugomi reikalingi audinių mėginiai: tik kokie duomenų parametrai gali būti pasiūlyti AI mokymui, yra atimta. Patys duomenys išlieka ligoninėje.
AI pasekmės apima ne tik ligos supratimą, bet ir supratimą, kaip įsikišti. Generatyvieji dirbtinio intelekto modeliai, tokie, kaip ProteinSGM iš Toronto universiteto, dabar yra galingi baltymų projektavimo įrankiai, nes jie gali ne tik vaizduoti esamus baltymus, bet ir sukurti naujus (su norimomis savybėmis), kurių šiuo metu gamtoje nėra, bet kurie yra galimi norimos funkcijos įkūnijimo būdai. Kitos sistemos leidžia chemikams sukurti mažas molekules, kurios gali būti naudingos, kaip vaistai, nes norimu būdu sąveikauja su taikiniu.
Kiekviename etape AI hipotezės turi būti patikrintos, ar atitinka tikrovę. Nepaisant to, panašu, kad toks požiūris pagreitina atradimą. Neseniai konsultacinės grupės BCG atlikta „intensyvių AI“ įmonių vaistų analizė parodė, kad iš aštuonių vaistų, apie kuriuos buvo prieinama informacija, penki klinikiniai tyrimai buvo atlikti per trumpesnį laiką, nei įprastai. Kiti darbai rodo, kad AI ikiklinikiniame vaistų kūrimo etape, kuris gali užtrukti nuo ketverių iki septynerių metų, gali padėti sutaupyti nuo 25% iki 50% laiko ir išlaidų. Atsižvelgiant į viso proceso laiko ir pinigų sąnaudas, kurios vienam vaistui gali siekti kelis milijardus dolerių, patobulinimai galėtų pakeisti pramonės produktyvumą. Tačiau prireiks laiko, kol tikrai sužinosime. Vaistų tiekimas vis dar lėtas; nė vienas iš šių pažadėtų naujų vaistų dar nepateko į rinką.
„Insilico Medicine“ yra viena iš įmonių, kurios tikisi, kad tai pasikeis. Savo vaistų kūrimo procese ji naudoja daugybę modelių. Vienas iš jų nustato baltymus, kurie gali turėti įtakos ligai. Kitas gali sukurti galimus naujus vaistų junginius. Taikant šį metodą, buvo nustatytas kandidatas į vaistą, kuris gali būti naudingas nuo plaučių fibrozės greičiau, nei per 18 mėnesių ir kainuoja 3 mln. dolerių – tai tik maža dalis įprastų išlaidų. Vaistas neseniai pradėjo 2 fazės klinikinius bandymus.
Daugelis Kinijos farmacijos įmonių sudaro sandorius su dirbtinio intelekto įmonėmis, tokiomis, kaip „Insilico“, tikėdamosi pamatyti daugiau tokių atvejų. Kai kurie tikisi, kad tokie sandoriai gali paskatinti Kinijos gana lėtai augančią vaistų kūrimo verslą. Kinijos mokslinių tyrimų organizacijos jau jaučia AI naudą, paskatintą susidomėjimo naujomis molekulėmis iš viso pasaulio. 2021 m. investicijos į, AI padedamą, vaistų atradimą Kinijoje siekė daugiau, nei 1,26 mlrd. dolerių.
Pasaulis per pastarąjį dešimtmetį matė daugybę novatoriškų naujų vaistų ir gydymo būdų: vaistų, nukreiptų į GLP-1, kurie keičia diabeto ir nutukimo gydymą; CAR-T terapija, skatinanti imuninę sistemą nuo vėžio; pirmieji klinikiniai genomo redagavimo pritaikymai. Tačiau ilgas vaistų kūrimo kelias, pradedant svarbių biologinių procesų atpažinimu ir baigiant vaistams tinkamų taikinių identifikavimu, molekulių kandidatų kūrimu iki ikiklinikinių ir klinikinių bandymų, paprastai išlieka lėtas ir varginantis darbas. Maždaug 86% visų vaistų kandidatų, kurie išsivystė tarp 2000 ir 2015 m., neatitiko savo pagrindinių vertinamųjų rodiklių klinikinių tyrimų metu. Kai kurie teigia, kad vaistų kūrimas nuskynė daugumą biologijos vaisių, todėl likusios ligos yra sunkiai išgydomos, o vaistų taikiniai yra „nepagydomi vaistais“.
Ateinantys keleri metai įtikinamai parodys, ar AI sugebės iš esmės pakeisti tą vaizdą. Jei jis siūlo tik laipsniškus patobulinimus, tai vis tiek gali būti tikra palaima. Jei tai leis biologiją iššifruoti visiškai nauju būdu, kaip teigia labiausiai skatinantys žmonės, tai gali padaryti visą procesą daug sėkmingesnį ir veiksmingesnį – ir iš tikrųjų labai greitai išgydyti ligas, dabar nepagydomas vaistais. BCG analitikai mato sparčiai artėjančios naujų vaistų bangos, pagrįstos dirbtiniu intelektu, požymių. Dr Pande perspėja, kad vaistų reguliavimo institucijos turės pagerinti jų žaidimą, kad galėtų įveikti šį iššūkį. Tai būtų gera problema, iškylanti pasauliui.“ [1]
1. Intelligent design. The Economist; London Vol. 450, Iss. 9390, (Mar 30, 2024): 10, 11, 8, 9.
Komentarų nėra:
Rašyti komentarą