Tehisintellekti sukelduda universumi molekulide otsima hämmastav narkootikume

Dark öösel kaugusel linna tuled, tähed Linnutee tunduvad olevat lugematu. Aga igast punktist palja silmaga ei näe rohkem kui 4500 tähte. Aga meie galaktika 100-400.000.000.000 galaktikad universumis, ja isegi rohkem. Tuleb välja, et öösel taevas ei ole palju tähti. Kuid isegi see arv annab meile sügavale lugu ... ravimid ja ravimid. Asjaolu, et mitu võimalikku orgaanilisi ühendeid ravimite võimu üle tärnide arvu universumis rohkem kui 30 suurusjärku. Ja keemilise konfiguratsioone, mis pakuvad teadlased olemasolevate ravimite, sarnaneb tähed, mida me ei näe kesklinnas öösel.

Otsi kõiki võimalikke narkootikume - võimatu ülesanne isikule, samuti uuringu kõikide füüsilise ruumi ja isegi kui me võiks enamik avastatud ei vasta meie eesmärke. Siiski, idee, et imeline ravim võib peita keset palju, liiga ahvatlev ignoreerida.

See on põhjus, miks me peaksime kasutama tehisintellekti, mis on võimelised töötama rohkem ja kiirendada avastus. Nii ütleb Alex Lark, rääkides hüppelise Meditsiin San Diego eelmisel nädalal. See rakendus võiks olla suurim AI meditsiinis.

koera, diagnostika ja ravi

Larks - CEO Insilico Meditsiin ja CSO Biogerontology Research Foundation. Insilico - üks paljudest alustavatel et arenevad AI, võimalik kiirendada avastus uute ravimite ja ravimeid. Viimase paari aasta jooksul, ütles Lark, tuntud tehnikat Tehisõppe - põhjalik koolitus - läbi edusammud mitmel rindel. Algoritme, mis saab õppida videomängude mängimiseks - nagu AlphaGo Zero või pokkerimängija Carnegie Melloni - mahukaim huviobjekt. Aga muster tunnustamine - mis andis võimsa tõuke sügavamale õppe Masinõppimise algoritme kui lõpuks hakkas vahet kasse koeri ja seda üsna kiiresti ja täpselt.

Meditsiinis, süvaõppena algoritme koolitatud alustel meditsiinirakendused andmeid, tuvastab eluohtlik haigus, mille võrdne või suurem täpsus kui inimesed eksperdid. On isegi ettepaneku, et AI, kui me õpime teda usaldada, saab hindamatu haiguse diagnoosimiseks. Ja nagu märkis Lark, tulevad rohkem rakendusi ja tulemusi ainult kasvab.

"Näitab Tesla juba autod tänaval," ütleb Lark. "The kolme-, nelja-aastase tehnoloogia juba veetakse reisijaid punktist A punkti B kiirusega 200 kilomeetrit tunnis; üks viga - ja sa oled surnud. Aga inimesed usaldavad oma elu seda tehnoloogiat. "

"Miks mitte teha sama farmaatsiatööstuses?".

Katse ja eksituse meetodit, ja jälle

Farmaatsia teadusuuringutes AI ei ole sõita autoga. Ta muutub assistent, mis on ühendatud keemik või kaks saab kiirendada ravimite avastamisele, otsin rohkem võimalusi leida parimad kandidaadid. Space optimeerimise ja efektiivsus on suur, ütleb Lark.

Otsi tooteid - töömahukas ja kulukas ülesanne. Keemikud sõelutud kümneid tuhandeid võimalik ühendite otsing kõige lootustandvamaid. Neist vaid mõned lähevad edasi õppida ja veelgi vähem testitakse inimestele, ja kõik need helbed on heaks kiidetud.

Kogu see protsess võib kesta mitu aastat ja maksab sadu miljoneid dollareid.

See probleem puudutab suurte andmete (big andmed) ja põhjalik koolitus õnnestub koostööd suurte andmeid. Esimene taotlus näitas, et AI süsteemi põhjaliku koolituse on võimalik leida peen mustrid tohutu andmete proove. Kuigi ravimi tootjad on tarkvara kasutamise sõelumine ühendid, näiteks tarkvara nõuab selgeid reegleid, mille on kirjutanud keemikud. Plussid AI antud juhul - tema võimet õppida ja parandada ise.

"Seal on kaks alusel AI strateegia innovatsiooni farmaatsiatööstuses, mis annab teile parima molekulid ja kiire heakskiidu," ütleb Lark. "Üks otsib nõel heinakuhjas, ja teine ​​loob uue nõela."

Et leida nõela heinakuhjas, algoritme õpetatakse suur andmebaas molekulid. Siis nad otsivad molekuli sobivate omadustega. Aga luua uue nõela? See võimalus annab generatiivse vastuoluline võrgustik, mis on spetsialiseerunud Larks. Sellised algoritmid panna kaks närvivõrgud üksteise vastu. Üks tekitab mõttekaid tulemusi ja muud otsustada, kas see on tingitud õige või vale, ütleb Lark. Kokku moodustavad need võrgud luua uusi objekte, näiteks teksti, pilte või sel juhul, molekulaarstruktuuri.

"Alustasime kasutades seda eelkõige tehnoloogia sügav närvivõrgud kujutada uusi molekule, et muuta see täiuslik algusest. Vajame ühist nõelad, "ütleb Lark. "Võite viidata sellele generatiivse konkurentsivõimelise võrgu- ja paluda tal luua molekule, mis pärsivad valgu X Y kontsentratsioon, millel on kõrgeim elujõulisuse, täpsustatud omadusi ja minimaalsete kõrvalmõjudega."

Lõoke leiab, et AI saab leida või valmistamiseks rohkem okkad komplekt molekulaarseid omadusi, tasuta keemikud inimesed, et nad saaksid keskenduda sünteesi ainult kõige lootustandvamaid. Kui see töötab, siis ta loodab suudame suurendada kokkulangevuste arv, vähendada vigu ja kiirendada kogu protsessi.

Fakt hat

Insilico mitte ainult otsib uusi viise, kuidas luua ravimeid, ja see ei ole uus huvitavas valdkonnas. Eelmisel aastal Harvard rühm avaldas raamatu teemal AI, mis sarnaselt valib kandidaatide narkootikume. Tarkvara koolitatud 250 000 ravimi molekulid ja kasutasid oma teadmisi, et luua uusi molekule, mis olid segatud olemasolevate ravimite ja teha ettepanekuid põhjal soovitud omadused. Siiski, nagu märkis MIT Technology Review, tulemused ei ole alati otstarbekas kergesti sünteesida laboris ja kvaliteedi need tulemused, nagu alati, kõrge sätestatud ulatuses algse andmete kvaliteeti. Stanford keemia professor Vijay Pande ütleb, et pilt, heli ja teksti - mis on praegu teema huvi põhjaliku koolituse - hea ja puhas andmeid. Aga keemilised andmed, teiselt poolt, on ikka optimeeritud põhjaliku koolituse. Lisaks, kuigi on avalikest andmebaasidest, enamik andmeid on ikka elu suletud uste taga eraettevõtete.

Et ületada kõik takistused Zhavoronkova firma keskendunud tehnoloogia kontrollimise. Aga sel aastal, skeptitsismi farmaatsiatööstuses, tundub, asendatakse huvi ja investeeringuid. Isegi Google võib tungida rassi.

Niipea kui arenev AI ja riistvara, suurim potentsiaal on veel avalikustatud. Võib-olla üks päev, kõik 10 ⁶⁰ molekulide Uimastiennetustöö on meie käsutuses.