пресс-центр

Искусственный интеллект обещает ускорить разработку новых лекарственных препаратов

Искусственный интеллект обещает ускорить разработку новых лекарственных препаратов

Искусственный интеллект обещает ускорить разработку новых лекарственных препаратов

Болезнь Альцгеймера. Онкология. Болезнь Паркинсона. Это всего лишь некоторые из сотен тяжелых заболеваний, с которыми борются ученые в условиях растущих расходов на разработку новых лекарств и увеличения продолжительности клинических испытаний.

Но искусственный интеллект демонстрирует большой потенциал в качестве более быстрого и эффективного способа для поиска и разработки новых лекарственных средств. Все больше исследовательских компаний и университетов решают сложные задачи в медицине, прибегая к алгоритмам глубокого обучения, чтобы спрогнозировать, какие молекулы лекарственного вещества окажут наибольший лечебный эффект.

«Это настоящая революция в фармацевтической промышленности», - заявляет Алекс Жаворонков (Alex Zhavoronkov), генеральный директор компании Insilico Medicine, которая использует GPU-ускоренные алгоритмы глубокого обучения для поиска лекарств от онкологических и возрастных заболеваний.

Неэффективный механизм современного поиска лекарственных средств

Революции не происходят быстро. Разработка нового лекарства в среднем стоит около $2,6 миллиардов, и весь процесс может длиться до 14 лет, согласно исследованию Университета Тафтса и данным Управления. по санитарному надзору за качеством пищевых продуктов и медикаментов в США.

И даже в таком случае менее 10% потенциальных лекарственных препаратов выходят на рынок, по словам Джеки Хантер (Jackie Hunter), генерального директора BenevolentBio, медико-билогического подразделения лондонской компании BenevolentAI.

«Экономика неустойчива, - сказала она. – Мы должны искать новые пути».

Разработка новых лекарств с помощью искусственного интеллекта

BenevolentBio стремится кардинально изменить механизм поиска лекарственных средств путем использования алгоритмов глубокого обучения и распознавания естественных языков. Компания использует эти технологии для оценки и анализа огромных объемов медико-биологических данных, к которым относятся разнообразные патенты, геномные данные и более 10000 ежедневных публикаций в научных журналах по всему миру.

«Человек не в состоянии самостоятельно обработать всю эту информацию, которая может помочь в продвижении научных исследований», - объяснила Хантер.

AI drug discovery helps tackle ALS.

Причиной прогрессирования БАС считаются определенные молекулярные механизмы. BenevolentBio использовали алгоритмы глубокого обучения, чтобы найти два возможных метода лечения. Изображение предоставлено Университетом штата Орегон.

Программное обеспечение на основе алгоритмов глубокого обучения, разработанное BenevolentBio, развернутое на суперкомпьютере NVIDIA DGX-1, обрабатывает и анализирует поступающую информацию с целью найти потенциальный лекарственный препарат.

Команда Хантер также использует технологию глубокого обучения для создания молекул лекарственных веществ, которые будут потенциально эффективны в борьбе с определенными заболеваниями. К примеру, ученые занимаются разработкой новых молекул от нейродегенеративных заболеваний, которые не оказывают негативного побочного эффекта на сердце и печень.

Хантер рассказала, что в BenvolentBio нашли два лекарственных препарата для лечения прогрессирующего нейродегенеративного заболевания под названием боковой амиотрофический склероз (более известного как БАС), которые на испытаниях показали большую эффективность, чем существующие на рынке препараты. По ее словам, после получения патента BenevolentBio начнет сотрудничество с фармацевтическими компаниями, чтобы продолжить разработки.

Создание модели молекулы

Сегодня фармацевтические компании должны изучить огромное число молекул, чтобы найти препараты-кандидаты, а затем тщательно протестировать их все, в надежде найти эффективный препарат. Этот дорогостоящий процесс занимает очень много времени.

Компания Insilico Medicine из Балтимора пытается ускорить этот процесс путем разработки «модели» молекулы с определенными свойствами. Они делают это при помощи относительно новой технологии глубокого обучения, известной как генеративные состязательные сети (GAN).

GAN-сети могут создавать абсолютно новые данные, неотличимые от реальных, используя две модели нейросетей. Генеративная модель создает данные, которые «выглядят», как реальные. А дискриминативная модель пытается найти различия между реальными данными и данными, созданными генеративной моделью нейросети.

Генеративные модели обычно используются для создания изображений, речи или текстов, однако, по словам Insilico, впервые генеративные состязательные сети были использованы для поиска лекарственного препарата от рака.

Молекулы «по запросу»

В своей недавно опубликованной статье исследователи из подразделения Insilico Pharma AI описывают, как они использовали исторические, биологические и химические данные для создания  69 новых молекул, потенциально способных бороться с онкологическими заболеваниями.

«Вместо того чтобы прибегать к методу проб и ошибок в поисках необходимой молекулы, вы можете заставить нейросеть сгенерировать их», - рассказал директор Insilico Жаворонков. Сейчас Insilico расширяет свою деятельность и занимается созданием молекулы лекарственного вещества с противомикробными свойствами.

Для тренировки своих алгоритмов в Insilico использовали параллельно вычислительную платформу CUDA, ускорители Tesla K80, видеокарты TITAN X и библиотеку cuDNN с фреймворками глубокого обучения Theano и TensorFlow.

AI drug discovery could speed development of medicines like these.

Разработка новых лекарственных препаратов требует больших затрат и занимает больше времени, чем когда-либо. Новые методы с применением технологии искусственного интеллекта могут изменить это.

Проектирование моделей лекарственных препаратов

Алан Ашпуру-Гужик (Alán Aspuru-Guzik), профессор химии и химической биологии в Гарвардском университете, также пытается с нуля разработать лекарственный препарат, используя нейронные сети глубокого обучения для того, что мы называем обратным молекулярным дизайном.

По словам профессора, чтобы найти препарат-кандидат для дальнейшей разработки, его программное oбеспечение предлагает новые молекулы, обладающие определенными свойствами. Помимо этого, программа генерирует новые молекулярные структуры, комбинируя свойства существующих препаратов.

Ашпуру-Гужик утверждает, что эти методы могут значительно ускорить поиск новых лекарственных средств. Он описывает свое исследование с использованием генеративной модели нейросетей для компьютерного химического дизайна в своей статье, опубликованной в онлайн- архиве электронных публикацией ArXiv.

Ашпуру-Гужик (Aspuru-Guzik) натренировал свои алгоритмы глубокого обучения на 250 000 молекул, подобных лекарственным, используя параллельно вычислительную платформу CUDA, графические ускорители NVIDIA Tesla K80 и библиотеку cuDNN с фреймворком глубокого обучения Theano.

Никто не верит, что искусственный интеллект сможет заменить ученых в вопросах поиска лекарственных препаратов. Большинство уверены, что подобные технологии - это вспомогательные средства, и полученные результаты должны перепроверяться человеком.

”Это очень интересный момент, когда мы можем наблюдать пересечение технологий искусственного интеллекта и фармацевтической промышленности, - сказала Хантер из BnevolentBio. - Я надеюсь использовать это для ускорения разработки и вывода на рынок медицинских препаратов».