Искусственный интеллект (ИИ) захватывает все отрасли. У нас было электричество, был интернет, а теперь у нас есть искусственный интеллект.

ИИ в современную эпоху

Цель искусственного интеллекта - моделировать человеческий интеллект с помощью компьютеров. Люди (по крайней мере, пока) намного умнее компьютеров. Мы умеем решать сложные задачи, например, наводить мосты. Мы можем понять чувства и эмоции друг друга, просто посмотрев на язык тела. Компьютер не может этого сделать, по крайней мере, не запрограммировав его миллионами строк кода.

Компьютеры отлично справляются с вычислениями очень и очень быстро. Современный ПК или Macbook, который вы можете купить в торговом центре за 1000 долларов, будет содержать процессор, работающий на частоте 3,0 ГГц. Это три миллиарда операций в секунду.

В наши дни эта вычислительная мощность используется для создания ИИ путем обучения компьютеров новым концепциям, точно так же, как мы можем обучать людей новым навыкам. Современный ИИ управляется данными, что означает, что ИИ накапливает свои знания, потребляя данные.

Чтобы научить современную систему ИИ тому, как выглядит автомобиль, мы можем показать ей несколько изображений автомобиля разных моделей, форм и цветов. Затем ИИ будет изучать из этих примеров характеристики, из которых состоит автомобиль - форма, корпус, детали, общий внешний вид автомобиля. Когда он увидит новую машину, он узнает, что это такое, потому что видел что-то подобное раньше.

Та же самая концепция обучения системам искусственного интеллекта на множестве примеров применяется почти во всех современных отраслях. Искусственный интеллект обучается просматривать юридические документы, составлять идеальные предложения для потенциального клиента и прогнозировать запасы. Все, что нам нужно было сделать, это показать ИИ множество примеров юридических документов для различных дел, предложений для продаж клиентам и данных фондового рынка, чтобы он научился с ним работать.

Наука открытия лекарств

Область Открытия лекарств включает поиск, открытие и экспериментирование новых лекарств. Обычно это можно сделать одним из двух способов:

(1) Научное определение активного ингредиента естественными методами, которые выполняют ту же функцию, которую мы хотим, чтобы наш препарат. Например, активным ингредиентом Адвила является Ибупрофен, который снижает количество гормонов, вызывающих воспаление и боль в организме.

(2) Удача. Пенициллин был открыт случайно, когда шотландский ученый Александр Флеминг, вернувшись из отпуска, обнаружил, что он случайно оставил бактерии в лаборатории в открытой чашке Петри. Когда он осмотрел блюдо, он обнаружил, что посреди бактерий образовалась идеально круглая плесень, совершенно незагрязненная. Позже эта плесень была классифицирована как пенициллин и спасла миллионы жизней.

Метод (2) Drug Discovery хорош. Нам бы очень хотелось, чтобы с нами каждый день происходили такие счастливые происшествия! Но метод (1) - единственное решение, на которое мы можем рассчитывать. Реальный научный поиск решения. Вот где ИИ может помочь.

Где ИИ может помочь в открытии лекарств

Как мы все хорошо знаем, наука может быть сложной. Особенно с таким экспериментальным, как Drug Discovery. Ученые довольно хорошо представляют, как различные химические вещества в организме будут реагировать и работать вместе. Но с лекарствами мы имеем дело с человеческими телами, где ставки намного выше, как и затраты, связанные с экспериментами.

Ученый, работающий в Drug Discovery, может провести сотни спланированных и хорошо просчитанных экспериментов за годы работы. Все начинается в лаборатории, где химические вещества тестируются вместе с другими химическими веществами в чем-то вроде чашки Петри или пробирки. После того, как эти тесты «пройдут», эксперименты переходят к проведению на грызунах - обычно на мышах и крысах. Затем перейдем к собакам и шимпанзе. И, наконец, что не менее важно, испытания на людях.

Эти процедуры являются строгими, на их выполнение часто уходят годы. Затраты могут исчисляться миллиардами долларов, и очень высока вероятность неудачи. Отказ на любом из этих этапов возвращает нас к нулю. Существуют тысячи химических комбинаций, и большая часть работы является экспериментальной, и некоторые из основ успеха исходят из эмпирических данных.

Пациенты в испытаниях на людях часто сталкиваются с побочными эффектами, которые невозможно предсказать. Даже если в конце концов испытание окажется успешным, оно должно пройти одобрение регулирующих органов. Он может получить или не получить это одобрение, которое в США исходит от Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA).

Современный ИИ особенно эффективен в приложениях, где много данных и / или много повторяющихся действий. Это делает Drug Discovery лучшим кандидатом. Множество тестовых данных, собранных за многие годы, и множество повторяющихся экспериментов.

Одна из самых сложных и трудоемких частей Drug Discovery - это собственно открытие. Получение нужных химических соединений в точных пропорциях - большая проблема. Если ее удастся решить, можно сэкономить годы экспериментов, испытаний и испытаний на людях.

Именно на этом и сосредоточено большинство компаний, занимающихся поиском лекарств. Использование ИИ для просмотра комбинаций наркотиков и изучения о них. Что могло бы быть хорошим лекарством для этого приложения? Плохой? Если бы я применил этот препарат таким образом, что бы произошло? В каком-то смысле ИИ может проводить те же эксперименты, что обычно делает Ученый, только в компьютерном моделировании. Таким образом, он может пройти множество экспериментов за очень короткий промежуток времени. Это огромная экономия для ученых и общества, времени, денег и здоровья.

Демонстрация искусственного интеллекта для открытия лекарств

Atomwise разрабатывает сверточные нейронные сети (CNN) для проведения массовых экспериментальных поисков определенных лекарств. Разработка правильного лекарства для правильного применения - это тонкий баланс между получением чего-то эффективного и безопасного без побочных эффектов. Обычно для этого требуется множество экспериментов, и все же мы не на 100% уверены, что препарат всегда будет на 100% безопасным. Atomwise эффективно переносит эту работу на компьютер и в систему искусственного интеллекта, обучая CNN автоматически проводить эксперименты. Это позволяет ученым проводить гораздо больше экспериментов, миллионы экспериментов, чтобы выбрать более надежную подгруппу лекарств, которая может быть осуществима.

Известными стартапами, похожими на Atomwise, являются Deep Genomics, Schrodinger и Recursion AI.

PathAI ориентирован на точную диагностику заболеваний. Патологоанатомы играют очень важную роль в здравоохранении. По сути, они будут анализировать такие вещи, как образцы тканей, чтобы диагностировать это и определять следующий курс действий, особенно в случае потенциального заболевания. Поскольку такой процесс требует наличия специалиста - патологоанатома, он быстро становится дорогостоящим, трудоемким и в некоторых случаях даже подвержен человеческим ошибкам.

Предлагаемое PathAI решение - обучить ИИ ставить такие диагнозы. ИИ даже не обязательно уметь точно диагностировать каждую ткань. Но что он может сделать, так это значительно снизить нагрузку на патологоанатомов. Попросите ИИ исследовать все образцы тканей. Поскольку он запускается на компьютере, он менее ограничен с точки зрения рабочей нагрузки и может выполнять очень сложный анализ. После этого система искусственного интеллекта может передать подмножество образцов тканей, которые считаются «интересными», и не беспокоить патологоанатома образцами, по которым она очень уверена в своем диагнозе. ИИ также можно обучить указывать на «области интереса» в тканях, которым, по его мнению, патолог должен уделять дополнительное внимание. Все это действительно помогает упростить процесс как для ученых, так и для их пациентов.

Известными стартапами, похожими на PathAI, являются Paige.AI и IBEX.

Несколько стартапов работают над расширением и оптимизацией клинических испытаний, стремясь сделать весь процесс более эффективным. Ателас разрабатывает устройство, которое анализирует биомаркеры рака по одной капле крови, позволяя невероятно быстро анализировать состояние болезни. Программное обеспечение Imagia анализирует радиологические изображения, чтобы предсказать прогрессирование болезни пациента и реакцию на возможные методы лечения. WinterLight Labs имеет систему, которая оценивает и отслеживает когнитивное здоровье, анализируя образец короткой речи. Его можно использовать для отслеживания когнитивного состояния пациента в ходе клинических испытаний и экспериментов.

Для получения дополнительной информации о компаниях, применяющих искусственный интеллект для открытия лекарств, ознакомьтесь со статьями BenchSci о стартапах и фармацевтических компаниях.

Любите учиться?

Следуйте за мной в Twitter, где я публикую все о новейших и величайших ИИ, технологиях и науке. Я тоже хотел бы связаться с вами в LinkedIn.

Примечание редакторам Data Science. Хотя мы разрешаем независимым авторам публиковать статьи в соответствии с нашими правилами и рекомендациями, мы не поддерживаем вклад каждого автора. Не следует полагаться на работы автора без консультации с профессионалами. См. Подробности в наших Условиях для читателей.