Op een donkere nacht, ver van het stadslicht, lijken de sterren van de Melkweg niet te overzien. Maar vanaf elk punt zijn niet meer dan 4500 sterren zichtbaar met het blote oog. In onze melkweg zijn er 100-400 miljard van, er zijn zelfs meer sterrenstelsels in het heelal. Het blijkt dat er niet veel sterren aan de nachtelijke hemel zijn. Maar zelfs dit aantal opent voor ons een diep inzicht … drugs en drugs. Feit is dat het aantal mogelijke organische verbindingen met geneeskrachtige eigenschappen het aantal sterren in het heelal met meer dan 30 ordes van grootte overtreft. En de chemische configuraties die wetenschappers creëren met bestaande medicijnen zijn vergelijkbaar met de sterren die we 's nachts in het centrum kunnen zien.
Het vinden van alle mogelijke medicijnen is een overweldigende taak voor mensen, net als de studie van de hele fysieke ruimte, en zelfs als we dat zouden kunnen, zou het meeste van wat werd ontdekt niet overeenkomen met onze doelen. Het idee dat wonderbaarlijke medicijnen op de loer liggen te midden van overvloed, is echter te verleidelijk om te negeren.
Daarom zouden we kunstmatige intelligentie moeten gebruiken die harder kan werken en de ontdekking kan versnellen. Dat zegt Alex Zhavoronkov, die vorige week sprak op Exponential Medicine in San Diego. Deze applicatie zou de grootste kunnen zijn voor AI in de geneeskunde.
Honden, diagnose en medicijnen
Zhavoronkov - CEO van Insilico Medicine en CSO Biogerontology Research Foundation. Insilico is een van de vele startups die AI ontwikkelt die de ontdekking van nieuwe medicijnen en medicijnen kan versnellen.
In de afgelopen jaren, zei Zhavoronkov, heeft de beroemde machine learning-techniek - deep learning - op verschillende fronten vooruitgang geboekt. Algoritmen die videogames kunnen leren spelen - zoals AlphaGo Zero of pokerspeler Carnegie Mellon - zijn van het grootste belang. Maar patroonherkenning gaf een krachtige impuls aan diep leren toen algoritmen voor machinaal leren eindelijk katten van honden begonnen te onderscheiden en dit snel en nauwkeurig deden.
In de geneeskunde kunnen deep learning-algoritmen die zijn getraind in databases met medische beelden levensbedreigende ziekten detecteren met dezelfde of grotere nauwkeurigheid dan menselijke specialisten. Er wordt zelfs gespeculeerd dat AI, als we erop leren vertrouwen, van onschatbare waarde kan zijn bij het diagnosticeren van ziekten. En zoals Zhavoronkov opmerkte, komen er meer aanmeldingen en zal het trackrecord alleen maar groeien.
Promotie video:
"Tesla brengt al auto's de straat op", zegt Zhavoronkov. “Drie- en vierjarige technologie vervoert al passagiers van punt A naar punt B met een snelheid van 200 kilometer per uur; één fout en je bent dood. Maar mensen vertrouwen hun leven op deze technologie."
"Waarom niet hetzelfde doen bij farmaceutische producten?"
Probeer en faal, keer op keer
Bij farmaceutisch onderzoek hoeft AI geen auto te besturen. Hij wordt een assistent die, in combinatie met een of twee scheikundigen, het ontdekken van geneesmiddelen kan versnellen door door meer opties te scrollen op zoek naar betere kandidaten.
De ruimte voor optimalisatie en efficiëntieverbetering is enorm, zei Zhavoronkov.
Drugs vinden is een moeizame en kostbare onderneming. Chemici doorzoeken tienduizenden mogelijke verbindingen, op zoek naar de meest veelbelovende. Hiervan gaan er maar een paar voor verder onderzoek, en nog minder zullen op mensen worden getest, en hiervan zullen in het algemeen kruimels worden goedgekeurd voor verder gebruik.
Dit hele proces kan vele jaren duren en honderden miljoenen dollars kosten.
Dit is een big data-probleem, en deep learning blinkt uit in big data. De eerste toepassingen toonden aan dat AI-systemen op basis van deep learning in staat waren om subtiele patronen te vinden in gigantische datastalen. Hoewel medicijnfabrikanten al software gebruiken om verbindingen te zeven, vereist dergelijke software duidelijke regels die door chemici zijn opgesteld. De voordelen van AI in deze kwestie zijn het vermogen om zelfstandig te leren en te verbeteren.
"Er zijn twee strategieën voor AI-innovatie in farmaceutische producten die u betere moleculen en snellere goedkeuring zullen bieden", zegt Zhavoronkov. 'De een zoekt een naald in een hooiberg en de ander maakt een nieuwe naald.'
Om een naald in een hooiberg te vinden, worden algoritmen getraind op een grote database met moleculen. Vervolgens zoeken ze moleculen met geschikte eigenschappen. Maar een nieuwe naald maken? Deze mogelijkheid wordt geboden door de generatieve vijandige netwerken waarin Zhavoronkov is gespecialiseerd.
Dergelijke algoritmen plaatsen twee neurale netwerken tegen elkaar. De een genereert een zinvol resultaat en de ander beslist of dit resultaat waar of niet waar is, zegt Zhavoronkov. Gezamenlijk genereren deze netwerken nieuwe objecten zoals tekst, afbeeldingen of, in dit geval, moleculaire structuren.
“We zijn deze specifieke technologie gaan gebruiken om diepe neurale netwerken nieuwe moleculen te laten bedenken om het vanaf het begin perfect te maken. We hebben perfecte naalden nodig”, zegt Zhavoronkov. "Je kunt je tot dit generatieve vijandige netwerk wenden en het vragen om moleculen te maken die proteïne X remmen bij een concentratie van Y, met de hoogste levensvatbaarheid, gewenste eigenschappen en minimale bijwerkingen."
Zhavoronkov gelooft dat AI meer naalden kan vinden of produceren uit een veelheid aan moleculaire mogelijkheden, waardoor menselijke chemici zich kunnen concentreren op het synthetiseren van alleen de meest veelbelovende. Als het werkt, hoopt hij, kunnen we het aantal treffers verhogen, missers tot een minimum beperken en het proces in het algemeen versnellen.
In de zak
Insilico is niet de enige die nieuwe wegen verkent voor het ontdekken van geneesmiddelen, en dit is geen nieuw interessegebied. Vorig jaar publiceerde een Harvard-groep een paper over AI, die op dezelfde manier kandidaten selecteert uit medicijnen. De software trainde op 250.000 medicijnmoleculen en gebruikte zijn expertise om nieuwe moleculen te maken die bestaande medicijnen mengden en suggesties deden op basis van gewenste eigenschappen. Zoals opgemerkt door de MIT Technology Review, zijn de verkregen resultaten niet altijd zinvol of gemakkelijk te synthetiseren in het laboratorium, en de kwaliteit van deze resultaten is, zoals altijd, even hoog als de kwaliteit van de aanvankelijk verstrekte gegevens.
Professor Vijay Pande, hoogleraar scheikunde aan Stanford, zegt dat afbeeldingen, spraak en tekst - die op dit moment de onderwerpen van diep leren zijn - goede en zuivere gegevens bevatten. Maar chemiegegevens zijn daarentegen nog steeds geoptimaliseerd voor diep leren. Bovendien bestaan er openbare databases, maar veel van de gegevens bevinden zich nog steeds achter de gesloten deuren van particuliere bedrijven.
Om alle obstakels te overwinnen, richt het bedrijf van Zhavoronkov zich op technologievalidatie. Maar dit jaar lijkt de scepsis in de farmaceutische industrie plaats te maken voor rente en investeringen. Zelfs Google kan in de race stappen.
Naarmate AI en hardware vorderen, moet het grootste potentieel nog worden ontsloten. Misschien zullen ooit alle 1060 moleculen in het geneesmiddeldomein tot onze beschikking staan.
Ilya Khel
