Pada malam yang gelap, jauh dari cahaya kota, bintang-bintang Bima Sakti kelihatan tidak terhitung. Tetapi dari sudut mana pun, tidak lebih dari 4500 bintang yang dapat dilihat dengan mata kasar. Di galaksi kita, terdapat 100-400 bilion daripadanya, bahkan terdapat lebih banyak galaksi di Alam Semesta. Ternyata tidak banyak bintang di langit malam. Namun, bahkan jumlah ini terbuka di hadapan kita pandangan mendalam … ubat-ubatan dan ubat-ubatan. Hakikatnya ialah sebilangan kemungkinan sebatian organik dengan sifat perubatan melebihi jumlah bintang di Alam Semesta lebih dari 30 susunan magnitud. Dan konfigurasi kimia yang dibuat saintis dari ubat-ubatan yang ada serupa dengan bintang-bintang yang mungkin kita lihat di pusat bandar pada waktu malam.
Mencari semua kemungkinan ubat adalah tugas yang sangat besar bagi manusia, seperti juga kajian tentang seluruh ruang fizikal, dan bahkan jika kita dapat, sebahagian besar dari apa yang ditemui tidak sesuai dengan tujuan kita. Walau bagaimanapun, idea bahawa ubat-ubatan ajaib mungkin bersembunyi di tengah banyaknya terlalu menggoda untuk diabaikan.
Itulah sebabnya kita harus menggunakan kecerdasan buatan yang dapat bekerja lebih keras dan mempercepat penemuan. Demikian kata Alex Zhavoronkov, yang bercakap di Exponential Medicine di San Diego minggu lalu. Aplikasi ini boleh menjadi yang terbesar untuk AI dalam bidang perubatan.
Anjing, diagnosis dan ubat-ubatan
Zhavoronkov - Ketua Pegawai Eksekutif Insilico Medicine dan Yayasan Penyelidikan Biogerontologi CSO. Insilico adalah salah satu daripada banyak permulaan yang mengembangkan AI yang dapat mempercepat penemuan ubat dan ubat baru.
Dalam beberapa tahun kebelakangan ini, kata Zhavoronkov, teknik pembelajaran mesin yang terkenal - pembelajaran mendalam - telah mencapai kemajuan di beberapa bidang. Algoritma yang mampu belajar bermain permainan video - seperti AlphaGo Zero atau pemain poker Carnegie Mellon - sangat menarik. Tetapi pengecaman corak inilah yang memberi dorongan kuat untuk pembelajaran mendalam ketika algoritma pembelajaran mesin akhirnya mula membezakan kucing dari anjing dan melakukannya dengan cepat dan tepat.
Dalam bidang perubatan, algoritma pembelajaran mendalam yang dilatih pada pangkalan data gambar perubatan dapat mengesan penyakit yang mengancam nyawa dengan ketepatan yang sama atau lebih besar daripada pakar manusia. Bahkan ada spekulasi bahawa AI, jika kita belajar mempercayainya, bisa sangat berharga dalam mendiagnosis penyakit. Dan seperti yang dinyatakan oleh Zhavoronkov, lebih banyak aplikasi akan datang dan rekodnya hanya akan berkembang.
Video promosi:
"Tesla sudah membawa kereta ke jalan," kata Zhavoronkov. “Teknologi tiga dan empat tahun sudah mengangkut penumpang dari titik A ke titik B dengan kecepatan 200 kilometer per jam; satu kesilapan dan anda mati. Tetapi orang mempercayai kehidupan mereka dengan teknologi ini."
"Mengapa tidak melakukan perkara yang sama di farmasi?"
Cuba dan gagal, berulang-ulang
Dalam penyelidikan farmaseutikal, AI tidak perlu memandu kereta. Dia akan menjadi pembantu yang, berpasangan dengan seorang atau dua ahli kimia, dapat mempercepat penemuan ubat dengan menelusuri lebih banyak pilihan untuk mencari calon yang lebih baik.
Ruang untuk pengoptimuman dan peningkatan kecekapan sangat besar, kata Zhavoronkov.
Mencari ubat adalah usaha yang susah payah dan mahal. Ahli kimia sedang meneliti puluhan ribu kemungkinan sebatian, mencari yang paling menjanjikan. Dari jumlah tersebut, hanya sedikit yang akan menjalani kajian lanjutan, dan lebih sedikit lagi yang akan diuji pada manusia, dan secara amnya, remah-remah akan disetujui untuk digunakan lebih lanjut.
Seluruh proses ini boleh memakan masa bertahun-tahun dan berharga ratusan juta dolar.
Ini adalah masalah data besar, dan pembelajaran mendalam unggul pada data besar. Aplikasi pertama menunjukkan bahawa sistem AI berdasarkan pembelajaran mendalam dapat mencari corak halus dalam sampel data gergasi. Walaupun pengeluar ubat telah menggunakan perisian untuk menyaring sebatian, perisian tersebut memerlukan peraturan yang jelas yang ditulis oleh ahli kimia. Kelebihan AI dalam masalah ini adalah kemampuannya belajar dan bertambah baik dengan sendirinya.
"Terdapat dua strategi untuk inovasi AI dalam farmaseutikal yang akan memberi anda molekul yang lebih baik dan kelulusan yang lebih cepat," kata Zhavoronkov. "Satu mencari jarum di tumpukan jerami, dan yang lain membuat jarum baru."
Untuk mencari jarum di tumpukan jerami, algoritma dilatih pada pangkalan data besar molekul. Kemudian mereka mencari molekul dengan sifat yang sesuai. Tetapi buat jarum baru? Peluang ini disediakan oleh rangkaian musuh generatif yang dikhususkan oleh Zhavoronkov.
Algoritma seperti itu menjalin dua rangkaian saraf antara satu sama lain. Satu menghasilkan hasil yang bermakna, dan yang lain memutuskan sama ada hasil ini benar atau salah, kata Zhavoronkov. Secara kolektif, rangkaian ini menghasilkan objek baru seperti teks, gambar, atau, dalam kes ini, struktur molekul.
"Kami mula menggunakan teknologi khusus ini untuk membuat jaringan saraf dalam membayangkan molekul baru untuk menjadikannya sempurna dari awal. Kami memerlukan jarum yang sempurna,”kata Zhavoronkov. "Anda boleh beralih ke rangkaian musuh generatif ini dan memintanya untuk membuat molekul yang menghalang protein X pada kepekatan Y, dengan daya maju tertinggi, ciri-ciri yang diinginkan, dan kesan sampingan yang minimum."
Zhavoronkov percaya bahawa AI dapat mencari atau membuat lebih banyak jarum dari banyak kemungkinan molekul, membebaskan ahli kimia manusia untuk fokus pada mensintesis hanya yang paling menjanjikan. Sekiranya berjaya, dia berharap, kita dapat meningkatkan jumlah klik, meminimumkan ketinggalan, dan secara amnya mempercepat prosesnya.
Di dalam beg
Insilico tidak sendirian dalam meneroka jalan baru untuk penemuan dadah, dan ini bukan bidang minat baru. Tahun lalu, sebuah kumpulan Harvard menerbitkan sebuah makalah mengenai AI, yang juga memilih calon daripada dadah. Perisian ini melatih 250.000 molekul ubat dan menggunakan kepakarannya untuk membuat molekul baru yang mencampurkan ubat yang ada dan membuat cadangan berdasarkan sifat yang diinginkan. Namun, seperti yang dicatat oleh MIT Technology Review, hasil yang diperoleh tidak selalu bermakna atau disintesis dengan mudah di makmal, dan kualiti hasil ini, seperti biasa, setinggi kualitas data yang diberikan pada awalnya.
Profesor Kimia Stanford Vijay Pande mengatakan bahawa gambar, ucapan, dan teks - yang merupakan subjek minat belajar mendalam sekarang - mempunyai data yang baik dan bersih. Tetapi data kimia, sebaliknya, masih dioptimumkan untuk pembelajaran mendalam. Di samping itu, sementara pangkalan data awam ada, banyak data masih ada di belakang pintu tertutup syarikat swasta.
Untuk mengatasi semua rintangan, syarikat Zhavoronkov memfokuskan diri pada pengesahan teknologi. Tetapi tahun ini, keraguan dalam industri farmasi nampaknya memberi jalan kepada minat dan pelaburan. Malah Google boleh memasuki perlumbaan.
Seiring kemajuan AI dan perkakasan, potensi terbesar masih perlu dibuka. Mungkin suatu hari nanti, semua 1060 molekul dalam domain ubat akan kita gunakan.
Ilya Khel
