Долголетие, вечная молодость или даже бессмертие были целью религии и культуры на протяжении всей истории. Сегодня люди применяют всевозможные подходы, чтобы улучшить свое самочувствие, замедлить старение и избежать болезней. Усилия все чаще оцениваются с помощью датчиков, носимых устройств или даже биохакинга - вмешательств, направленных на влияние на биологию тела. Новая надежда на продвижение к долголетию видится в искусственном интеллекте, который становится все более мощным.
Алекс Жаворонков уже много лет исследует использование искусственного интеллекта для старения. Он является генеральным директором Insilico Medicine, лидера в Балтиморе в области технологий искусственного интеллекта нового поколения для открытия лекарств и биомаркеров старения. Он действительно хорошо осведомлен - с 2012 года он опубликовал более 130 рецензируемых научных работ и 2 книги, в том числе «Нестареющее поколение: как биомедицинские достижения изменят глобальную экономику» (Palgrave Macmillan, 2013). Как он подчеркивает, постоянные исследования имеют решающее значение в индустрии долголетия, потому что на протяжении всей истории эта область страдала от обмана и мошенничества. Вот почему Insilico Medicine стоит на пороге медицины, чтобы заслужить доверие, открывающее двери для сотрудничества с медицинскими экспертами.
Слушайте в iTunes, Podbean или Stitcher.
Алексей Жаворонков отмечает, что есть три области применения ИИ для старения:
- построение часов старения - отгадывание возраста,
- создание новой химии - позволяет разработать меры для проверки вашей гипотезы,
- новое поколение данных - создание моделей, в которых перемещение одного объекта во времени показывает изменения в других типах данных.
В совокупности эти три приложения представляют собой очень мощный инструмент для искусственного интеллекта, который постоянно совершенствуется. «Сегодня, работая с данными об экспрессии генов и сигнальными путями, мы можем генерировать новые данные, просто используя возраст как общее условие, и видеть, как меняются пути и экспрессия генов», - поясняет Жаворонков.
Под искусственный интеллект следующего поколения подпадают несколько методов:
Машинное обучение - это алгоритмы, которые могут учиться на данных и делать прогнозы на основе данных путем построения модели на основе выборки входных данных.
Глубокое обучение - это подмножество машинного обучения и относится к моделированию сложных отношений между уровнями нелинейных вычислительных единиц - так называемых нейронных сетей.
Обучение с подкреплением решает сложную проблему соотнесения немедленных действий с отложенной отдачей, которую они производят. Проблема здесь в том, что мы знаем входы и выходы, но не совсем то, как одно привело к другому.
Генеративные состязательные сети - это структурированные вероятностные модели для генерации данных, которые состоят из двух сущностей - генератора и знаменателя. Знаменатель проверяет подлинность данных, производимых генератором, тогда как генератор пытается обмануть знаменатель - это все равно что пытаться научиться лгать, не будучи пойманным.
Трансферное обучение - это метод машинного обучения, при котором набор изученных функций модели для конкретной задачи повторно используется или перенаправляется в качестве точки таргетинга для модели во второй задаче. На практике его часто используют для оптимизации.
Генеративные состязательные сети и трансферное обучение обещают более быстрый прогресс в области старения. Например, алгоритмы можно обучить болезням с достаточным количеством пациентов, а новое понимание биологических процессов можно применить к областям, где данные труднее получить, например, к редким заболеваниям.
Исследования в области искусственного интеллекта вдохновляют, но могут замедлиться из-за усложнения сбора данных. Растущие требования к регулированию конфиденциальности на Западе делают азиатские страны более конкурентоспособными, поскольку они еще не так строги, как западный мир, в отношении законов о защите конфиденциальности.
«Медицинские исследования и поиск новых лекарств - это бизнес, в котором обычно чаще терпят неудачу, чем добиваются успеха», - говорит Алекс Жаворонков. Он считает, что для этих целей данные о пациентах должны быть общедоступными: «Это должен быть фундаментальный закон, чтобы все медицинские данные передавались в медицинских целях до тех пор, пока мы не сможем вылечить болезни, убивающие людей. Люди думают о конфиденциальности данных, но забывают о боли и страданиях, вызванных болезнями. Нам нужны данные, чтобы найти лекарства ».
Слушайте в iTunes, Podbean или Stitcher.
Некоторые вопросы, затронутые в подкасте:
- Насколько хорошо люди и компьютеры могут предугадывать возраст людей по ее внешнему виду?
- ИИ следующего поколения включает машинное обучение, глубокое обучение, обучение с подкреплением, генеративные состязательные сети (GAN), трансферное обучение и мета-обучение. Почему метаобучение кажется наиболее многообещающим в исследованиях старения?
- Одним из препятствий в исследованиях старения является отсутствие биомаркеров, которые могут быть нацелены и измерены для отслеживания эффективности терапевтических вмешательств против старения, поскольку стандартные биомаркеры обычно разрабатываются для измерения строго определенного физиологического процесса и не обязательно адаптируются для измерения эффектов системного процесса, например старения. Как же тогда разрабатывается и проверяется гипотеза о терапии старения?
- Каковы последние новости о связи между генами и здоровым старением?
- Почему исследования болезни Альцгемера продвигаются так медленно?
- Что вы думаете о различных методах омоложения, представленных на рынке, таких как переливание крови от молодых к пожилым?
Чтобы узнать больше о старении и искусственном интеллекте, прочтите следующее:
Искусственный интеллект для исследования старения и долголетия: последние достижения и перспективы
Искусственный интеллект для открытия лекарств, разработки биомаркеров и создания новой химии
Слушайте также:
—
