In una notte buia, lontana dalla luce della città, le stelle della Via Lattea sembrano incalcolabili. Ma da qualsiasi punto, non più di 4500 stelle sono visibili ad occhio nudo. Nella nostra galassia ce ne sono 100-400 miliardi, ci sono ancora più galassie nell'Universo. Si scopre che non ci sono molte stelle nel cielo notturno. Tuttavia, anche questo numero apre davanti a noi una visione profonda … droghe e droghe. Il fatto è che il numero di possibili composti organici con proprietà medicinali supera il numero di stelle nell'Universo di oltre 30 ordini di grandezza. E le configurazioni chimiche che gli scienziati creano dai farmaci esistenti sono simili alle stelle che potremmo vedere in centro di notte.
Trovare tutti i farmaci possibili è un compito travolgente per gli esseri umani, così come lo è lo studio dell'intero spazio fisico, e anche se potessimo, la maggior parte di ciò che è stato scoperto non corrisponderebbe ai nostri obiettivi. Tuttavia, l'idea che farmaci miracolosi possano nascondersi nell'abbondanza è troppo allettante per essere ignorata.
Ecco perché dovremmo usare l'intelligenza artificiale che può lavorare di più e accelerare la scoperta. Così dice Alex Zhavoronkov, che ha parlato alla Exponential Medicine di San Diego la scorsa settimana. Questa applicazione potrebbe essere la più grande per l'IA in medicina.
Cani, diagnosi e farmaci
Zhavoronkov - CEO di Insilico Medicine e CSO Biogerontology Research Foundation. Insilico è una delle tante startup che sviluppano AI in grado di accelerare la scoperta di nuovi farmaci e farmaci.
Negli ultimi anni, ha affermato Zhavoronkov, la famosa tecnica di apprendimento automatico - il deep learning - ha fatto progressi su diversi fronti. Gli algoritmi in grado di imparare a giocare ai videogiochi, come AlphaGo Zero o il giocatore di poker Carnegie Mellon, sono di grande interesse. Ma il riconoscimento dei modelli è ciò che ha dato un potente impulso all'apprendimento profondo quando gli algoritmi di apprendimento automatico hanno finalmente iniziato a distinguere i gatti dai cani e lo fanno in modo rapido e preciso.
In medicina, gli algoritmi di apprendimento profondo formati su database di immagini mediche possono rilevare malattie potenzialmente letali con una precisione uguale o maggiore rispetto agli specialisti umani. Si ipotizza persino che l'IA, se impariamo a fidarci di essa, potrebbe essere inestimabile nella diagnosi delle malattie. E come ha notato Zhavoronkov, sono in arrivo più applicazioni e il track record non potrà che crescere.
Video promozionale:
"Tesla sta già portando le auto in strada", dice Zhavoronkov. “La tecnologia triennale e quadriennale trasporta già passeggeri dal punto A al punto B a una velocità di 200 chilometri orari; un errore e sei morto. Ma le persone affidano la propria vita a questa tecnologia ".
"Perché non fare lo stesso con i prodotti farmaceutici?"
Prova e fallisci, ancora e ancora
Nella ricerca farmaceutica, l'intelligenza artificiale non dovrà guidare un'auto. Diventerà un assistente che, in coppia con uno o due chimici, può accelerare la scoperta di farmaci scorrendo più opzioni alla ricerca di candidati migliori.
Lo spazio per l'ottimizzazione e il miglioramento dell'efficienza è enorme, ha affermato Zhavoronkov.
Trovare farmaci è un'impresa laboriosa e costosa. I chimici stanno setacciando decine di migliaia di possibili composti, cercando i più promettenti. Di questi, solo pochi vanno per ulteriori studi, e ancora meno saranno testati sugli esseri umani, e di questi, in generale, le briciole saranno approvate per un ulteriore utilizzo.
L'intero processo può richiedere molti anni e costare centinaia di milioni di dollari.
Questo è un problema dei big data e il deep learning eccelle nei big data. Le prime applicazioni hanno mostrato che i sistemi di intelligenza artificiale basati sull'apprendimento profondo erano in grado di trovare modelli sottili in campioni di dati giganti. Sebbene i produttori di farmaci utilizzino già il software per setacciare i composti, tale software richiede regole chiare scritte dai chimici. I vantaggi dell'IA in questa materia sono la sua capacità di apprendere e migliorare da sola.
"Esistono due strategie per l'innovazione dell'IA nei prodotti farmaceutici che ti forniranno molecole migliori e un'approvazione più rapida", afferma Zhavoronkov. "Uno cerca un ago in un pagliaio e l'altro crea un nuovo ago."
Per trovare un ago in un pagliaio, gli algoritmi vengono addestrati su un ampio database di molecole. Quindi cercano molecole con proprietà adeguate. Ma creare un nuovo ago? Questa opportunità è fornita dalle reti generative del contraddittorio in cui Zhavoronkov è specializzato.
Tali algoritmi mettono due reti neurali l'una contro l'altra. Uno genera un risultato significativo e l'altro decide se questo risultato è vero o falso, dice Zhavoronkov. Collettivamente, queste reti generano nuovi oggetti come testo, immagini o, in questo caso, strutture molecolari.
“Abbiamo iniziato a utilizzare questa particolare tecnologia per fare in modo che le reti neurali profonde immaginassero nuove molecole per renderle perfette sin dall'inizio. Abbiamo bisogno di aghi perfetti ", dice Zhavoronkov. "Puoi rivolgerti a questa rete generativa dell'avversario e chiederle di creare molecole che inibiscono la proteina X a una concentrazione di Y, con la massima vitalità, le caratteristiche desiderate e gli effetti collaterali minimi".
Zhavoronkov ritiene che l'intelligenza artificiale possa trovare o produrre più aghi da una moltitudine di possibilità molecolari, consentendo ai chimici umani di concentrarsi sulla sintesi solo di quelli più promettenti. Se funziona, spera, possiamo aumentare il numero di colpi, ridurre al minimo gli errori e in generale accelerare il processo.
Nella borsa
Insilico non è il solo ad esplorare nuove strade per la scoperta di farmaci, e questa non è una nuova area di interesse. L'anno scorso, un gruppo di Harvard ha pubblicato un documento sull'intelligenza artificiale, che seleziona in modo simile i candidati dai farmaci. Il software si è formato su 250.000 molecole di farmaci e ha utilizzato la sua esperienza per creare nuove molecole che mescolassero farmaci esistenti e fornissero suggerimenti basati sulle proprietà desiderate. Tuttavia, come notato dalla MIT Technology Review, i risultati ottenuti non sono sempre significativi o facilmente sintetizzabili in laboratorio, e la qualità di questi risultati, come sempre, è pari alla qualità dei dati forniti inizialmente.
Il professore di chimica di Stanford, Vijay Pande, afferma che immagini, parole e testo - che a questo punto sono interessi di apprendimento profondo - hanno dati buoni e puliti. Ma i dati di chimica, d'altra parte, sono ancora ottimizzati per il deep learning. Inoltre, sebbene esistano database pubblici, gran parte dei dati vive ancora dietro le porte chiuse di aziende private.
Per superare tutti gli ostacoli, l'azienda di Zhavoronkov si concentra sulla convalida della tecnologia. Ma quest'anno lo scetticismo nell'industria farmaceutica sembra lasciare il posto a interessi e investimenti. Anche Google può entrare in gara.
Con l'avanzare dell'intelligenza artificiale e dell'hardware, il potenziale più grande deve ancora essere sbloccato. Forse un giorno tutte le 1060 molecole nel dominio del farmaco saranno a nostra disposizione.
Ilya Khel
