211service.com
Oprogramowanie wymyśla nowe cząsteczki w poszukiwaniu cudownych leków
Co otrzymasz, jeśli skrzyżowasz aspirynę z ibuprofenem? profesor chemii na Harvardzie Alan Aspuru-Guzik nie jest pewien, ale jest wyszkolonym oprogramowaniem, które może dać mu odpowiedź, sugerując strukturę molekularną, która łączy właściwości obu leków.
Program AI może pomóc w poszukiwaniu nowych związków leków. Badania farmaceutyczne zwykle opierają się na oprogramowaniu, które wyczerpująco przedziera się przez gigantyczne pule cząsteczek-kandydatów, korzystając z reguł napisanych przez chemików oraz symulacje, które próbują zidentyfikować lub przewidzieć przydatne struktury. Pierwsza polega na tym, że człowiek myśli o wszystkim, podczas gdy druga jest ograniczona dokładnością symulacji i wymaganą mocą obliczeniową.
System Aspuru-Guzik może wymyślać struktury bardziej niezależnie od ludzi i bez długich symulacji. Wykorzystuje własne doświadczenie, zbudowane przez trenowanie algorytmów uczenia maszynowego z danymi dotyczącymi setek tysięcy cząsteczek podobnych do leków.
„Bada w bardziej intuicyjny sposób, wykorzystując zdobytą wiedzę chemiczną, tak jak robiłby to chemik” – mówi Aspuru-Guzik. „Ludzie mogliby być lepszymi chemikami, mając tego rodzaju oprogramowanie jako swojego asystenta”. Aspuru-Guzik został nazwany Przegląd technologii MIT lista młodych innowatorów w 2010 roku.
Nowy system został zbudowany przy użyciu techniki uczenia maszynowego zwanej głębokim uczeniem, która stała się wszechobecna w firmach komputerowych, ale jest mniej ugruntowana w naukach przyrodniczych. Wykorzystuje projekt znany jako model generatywny, który pobiera mnóstwo danych i wykorzystuje to, czego się nauczył, do generowania nowych, prawdopodobnych danych.
Modele generatywne są częściej używane do tworzenia obrazów, mowy lub tekstu, na przykład w przypadku funkcji Smart Reply Google, która sugeruje odpowiedzi na e-maile. Ale w zeszłym miesiącu Aspuru-Guzik i współpracownicy z Harvardu, Uniwersytetu w Toronto i Uniwersytetu Cambridge opublikowane wyniki od stworzenia modelu generatywnego wyszkolonego na 250 000 molekułach lekopodobnych.
System mógłby generować wiarygodne nowe struktury poprzez łączenie właściwości istniejących związków leków i zostać poproszony o zasugerowanie cząsteczek, które silnie wykazywały pewne właściwości, takie jak rozpuszczalność i łatwość syntezy.
Vijay Pande , profesor chemii w Stanford i partner w firmie venture capital Andreessen Horowitz, mówi, że projekt dodaje coraz więcej dowodów na to, że nowe pomysły w uczeniu maszynowym zmienią badania naukowe (patrz Powstrzymywanie raka piersi przy pomocy sztucznej inteligencji).
Sugeruje, że oprogramowanie do głębokiego uczenia się może uwewnętrznić rodzaj wiedzy chemicznej i wykorzystać ją do pomocy naukowcom, mówi. Myślę, że może to mieć bardzo szerokie zastosowanie, mówi Pande. Może odgrywać rolę w znajdowaniu lub optymalizowaniu głównych kandydatów na leki lub w innych obszarach, takich jak ogniwa słoneczne lub katalizatory.
Naukowcy eksperymentowali już z trenowaniem swojego systemu w bazie danych organicznych cząsteczek LED, które są ważne dla wyświetlaczy. Jednak przekształcenie tej techniki w praktyczne narzędzie będzie wymagało poprawy umiejętności chemicznych, ponieważ sugerowane przez nią struktury są czasami bezsensowne.
Pande twierdzi, że wyzwaniem dla oprogramowania do nauki chemii może być to, że naukowcy nie zidentyfikowali jeszcze najlepszego formatu danych do wprowadzenia struktur chemicznych do oprogramowania do głębokiego uczenia się. Obrazy, mowa i tekst okazały się dobrze pasować — czego dowodem jest oprogramowanie, które rywalizuje z ludźmi w rozpoznawaniu i tłumaczeniu obrazów i mowy — ale istniejące sposoby kodowania struktur chemicznych mogą nie być do końca właściwe.
Aspuru-Guzik i jego koledzy zastanawiają się nad tym, a także nad dodaniem nowych funkcji do swojego systemu w celu zmniejszenia wskaźnika chemicznego wpadki.
Ma również nadzieję, że udostępnienie jego systemowi większej ilości danych, aby poszerzyć jego wiedzę chemiczną, poprawi jego moc, w taki sam sposób, w jaki bazy danych zawierające miliony zdjęć pomogły stać się użyteczne w rozpoznawaniu obrazów. Amerykańskie Towarzystwo Chemiczne Baza danych rejestruje około 100 milionów opublikowanych struktur chemicznych. Niedługo Aspuru-Guzik ma nadzieję, że wprowadzi ich wszystkich do wersji swojego programu AI.