A inteligência artificial é mergulhar em um universo de moléculas em busca de incríveis de medicamentos

Na noite Escura, longe da luz, as estrelas da via Láctea parecem incalculável. Mas a partir de qualquer ponto невооруженному olho pode ser visto não mais de 4500 estrelas. No mesmo nossa galáxia, eles 100-400 bilhões de galáxias no Universo, e ainda mais. Sai, no céu noturno não é um monte de estrelas. No entanto, mesmo esse número abre diante de nós uma profunda história dentro... de medicamentos e de medicamentos. O fato é que o número de possíveis compostos orgânicos com ervas medicinais habilidades excede o número de estrelas no Universo de mais de 30 ordens. E químicas de configuração, que criam os cientistas existentes medicamentos, semelhante a estrelas que podemos ver no centro da cidade durante a noite.

Uma Pesquisa de todos os possíveis medicamentos — seria demasiadamente grande desafio para o homem, como a exploração de todo o espaço físico, e mesmo se pudéssemos, a maior parte detectado não corresponderia aos nossos objetivos. No entanto, a idéia de que as maravilhosas medicamentos podem esconder no meio da abundância, muito sedutora, para ignorar.

É por isso que vale a pena usar a inteligência artificial, capaz de trabalhar mais e acelerar a abertura. Então, disse Alex Cotovias, falou na Exponencial Medicine, em San Diego, na semana passada. Esta aplicação pode se tornar o maior para AI em medicina.

Cão, o diagnóstico e os medicamentos

Cotovias — CEO Insilico Medicine e CSO Biogerontology Research Foundation. Insilico é uma das muitas startups que estão desenvolvendo AI, capaz de acelerar a descoberta de novas drogas e de drogas.

Nos últimos anos, contou que acordam cedo, conhecida técnica de aprendizado de máquina — uma profunda formação — realizou o progresso em várias frentes. Algoritmos capazes de aprender jogo de jogos de vídeo — como AlphaGo Zero ou покериста Carnegie Mellon — representam o maior interesse. Mas o reconhecimento de padrões é o que deu um grande impulso de profunda aprendizagem, quando os algoritmos de aprendizado de máquina finalmente começou a distinguir os gatos do cão e fazê-lo rápido o suficiente e precisa.

Na medicina algoritmos de aprendizado profundo, treinados em bases de dados de imagens médicas, podem detectar uma doença fatal, com igual ou maior precisão do que os homens. Há ainda a hipótese de que o AI, se nós aprendermos a confiar nele, pode ser uma valiosa no diagnóstico da doença. E como disse Cotovias, está chegando mais aplicações, e um histórico de só vai crescer.

"a Tesla já exibe carros na rua", diz Cotovias. "Três, quatro anos a tecnologia já transporta passageiros do ponto a para o ponto B, a uma velocidade de 200 quilômetros de hora; um erro — e você está morto. Mas as pessoas confiam suas vidas a esta tecnologia".

"Por que não fazer o mesmo em farmácias?".

, tentativa e erro, de novo e de novo

Farmacêuticas de estudos, AI não vai ter que conduzir um carro. Ele vai se tornar um assistente, que está emparelhado com um químico ou dois será capaz de acelerar a descoberta de medicamentos mais opções de varredura em busca de melhores candidatos.

Um Espaço para otimizar e aumentar a eficiência simplesmente enorme, acredita Cotovias.

Uma Pesquisa de medicamentos — a deliberação cuidadosa e caro para a sala de aula. Químicos peneirado dezenas de milhares de possíveis conexões em busca de mais promissoras. Deles só alguns vão para um estudo mais aprofundado, e menos ainda serão realizados testes em seres humanos, e destes, geralmente, as migalhas de serem aprovados para uma utilização posterior.

Todo esse processo pode levar muitos anos e custar centenas de milhões de dólares.

Este É um problema diz respeito a grandes volumes de dados (big data) e profunda formação sucede no trabalho com grandes volumes de dados. Os primeiros aplicativos mostrou que o sistema de IA, com base em uma profunda aprendizagem capazes de encontrar sutis padrões gigante de amostras de dados. Embora os fabricantes de remédios já usam o software para peneiração de conexões, o software exige regras claras, escritas pelos químicos. Prós AI no caso é a sua capacidade de aprender e melhorar a si mesmo.

"Há duas estratégias de inovação baseadas AI farmacêutica, o que lhe oferecer o melhor moléculas e rápido de aprovação", diz Cotovias. "O único à procura de uma agulha num palheiro, e o outro cria uma agulha nova".

Para encontrar a agulha no palheiro, os algoritmos são treinados em um grande banco de dados de moléculas. Em seguida, eles estão à procura de uma molécula com propriedades adequadas. Mas criar uma nova agulha? Fornecem esse recurso generativa controversas rede especializada Cotovias.

Tais algoritmos colocam duas redes neurais uns contra os outros. Uma gera significativa o resultado, e a outra é decidir se o resultado é verdadeiro ou falso, diz Cotovias. Em conjunto, estas redes geram novos objetos, tais como texto, imagens, ou, neste caso, a estrutura molecular.

"Nós começamos a usar essa tecnologia específica para profundas de rede neural, visualizam novas moléculas, a fim de torná-la perfeita desde o início. Precisamos de ideais da agulha", diz Cotovias. "Você pode recorrer a esta gerativa do contraditório rede e pedir-lhe para criar moléculas que inibem a proteína X a concentração de Y, com o maior poder curativo, características especificadas e o mínimo de efeitos colaterais".

Cotovias acredita que AI pode encontrar ou fabricar mais de agulhas de vários molecular de oportunidades, liberar químicos-pessoas para que possam se concentrar em síntese, apenas mais promissores. Se isso funcionar, como ele espera, poderemos aumentar o número de acertos, minimizardeslizamentos e, em geral, para acelerar o processo.

o ponto de chapéu

Insilico não é a única que lida com a busca de novos caminhos para a criação de medicamentos, e esta não é uma nova área de interesse. No ano passado, o grupo de harvard, publicou um trabalho sobre o tema por AI, que da mesma forma negocia a candidatura dos medicamentos. Software обучилось 250 000 moléculas medicinais e usou sua experiência para criar novas moléculas, que misturaram os medicamentos existentes e fizeram a proposta é baseada em suas propriedades desejadas. No entanto, como observou o MIT Technology Review, os resultados nem sempre são significativos ou facilmente são sintetizadas em laboratório, e a qualidade desses resultados, como sempre, no alto, tanto quanto a qualidade fornecidos originalmente os dados.

Stanford professor de Química, Vijay Pande diz que as imagens, de voz e de texto — que, no momento, são objetos de interesse de aprendizagem profunda — bons e limpos de dados. Mas dados químicos, por outro lado, ainda são optimizados para uma aprendizagem profunda. Além disso, embora o público de banco de dados existentes, a maior parte dos dados ainda vive atrás da porta fechada de empresas privadas.

Para superar todos os obstáculos, a empresa Жаворонкова focado na verificação de tecnologia. Mas este ano o ceticismo da indústria farmacêutica, parece, dá lugar a um interesse e investimento. Até mesmo o Google pode entrar em uma corrida.

à medida que se desenvolve o AI e o hardware, o maior potencial ainda a ser descoberto. Talvez, um dia, todos os 10⁶⁰ de moléculas na área de medicamentos estarão à nossa disposição.