En una noche oscura, lejos de la luz de la ciudad, las estrellas de la Vía Láctea parecen incalculables. Pero desde cualquier punto, no más de 4500 estrellas son visibles a simple vista. En nuestra galaxia, hay 100-400 mil millones de ellos, hay incluso más galaxias en el Universo. Resulta que no hay muchas estrellas en el cielo nocturno. Sin embargo, incluso este número abre ante nosotros una visión profunda … drogas y drogas. El hecho es que el número de posibles compuestos orgánicos con propiedades medicinales supera el número de estrellas del Universo en más de 30 órdenes de magnitud. Y las configuraciones químicas que los científicos crean a partir de medicamentos existentes son similares a las estrellas que podemos ver en el centro de la ciudad por la noche.
Encontrar todas las drogas posibles es una tarea abrumadora para los humanos, como lo es el estudio de todo el espacio físico, e incluso si pudiéramos, la mayor parte de lo descubierto no correspondería a nuestros objetivos. Sin embargo, la idea de que las drogas milagrosas puedan acechar en medio de la abundancia es demasiado tentadora para ignorarla.
Es por eso que deberíamos usar inteligencia artificial que pueda trabajar más y acelerar el descubrimiento. Eso dice Alex Zhavoronkov, quien habló en Medicina Exponencial en San Diego la semana pasada. Esta aplicación podría ser la más grande para la IA en medicina.
norte
Perros, diagnóstico y medicamentos
Zhavoronkov - CEO de Insilico Medicine y CSO Biogerontology Research Foundation. Insilico es una de las muchas startups que desarrollan IA que pueden acelerar el descubrimiento de nuevos fármacos y fármacos.
En los últimos años, dijo Zhavoronkov, la famosa técnica de aprendizaje automático, el aprendizaje profundo, ha avanzado en varios frentes. Los algoritmos que pueden aprender a jugar videojuegos, como AlphaGo Zero o el jugador de póquer Carnegie Mellon, son de gran interés. Pero el reconocimiento de patrones es lo que dio un poderoso impulso al aprendizaje profundo cuando los algoritmos de aprendizaje automático finalmente comenzaron a distinguir a los gatos de los perros y a hacerlo de manera rápida y precisa.
En medicina, los algoritmos de aprendizaje profundo entrenados en bases de datos de imágenes médicas pueden detectar enfermedades potencialmente mortales con igual o mayor precisión que los especialistas humanos. Incluso se especula que la IA, si aprendemos a confiar en ella, podría ser invaluable para diagnosticar enfermedades. Y como señaló Zhavoronkov, vendrán más aplicaciones y el historial solo crecerá.
Video promocional:
“Tesla ya está sacando autos a la calle”, dice Zhavoronkov. “La tecnología de tres y cuatro años ya está transportando pasajeros del punto A al punto B a una velocidad de 200 kilómetros por hora; un error y estás muerto. Pero la gente confía sus vidas a esta tecnología.
"¿Por qué no hacer lo mismo en productos farmacéuticos?"
Prueba y falla, una y otra vez
En la investigación farmacéutica, la IA no tendrá que conducir un automóvil. Se convertirá en un asistente que, junto con uno o dos químicos, podrá acelerar el descubrimiento de fármacos desplazándose por más opciones en busca de mejores candidatos.
El espacio para la optimización y la mejora de la eficiencia es enorme, dijo Zhavoronkov.
Encontrar medicamentos es una empresa laboriosa y costosa. Los químicos están examinando decenas de miles de posibles compuestos en busca de los más prometedores. De estos, solo unos pocos se someten a más estudios, y aún menos se probarán en humanos, y de estos, en general, las migajas se aprobarán para su uso posterior.
Todo este proceso puede llevar muchos años y costar cientos de millones de dólares.
Este es un problema de big data y el aprendizaje profundo sobresale en big data. Las primeras aplicaciones demostraron que los sistemas de IA basados en el aprendizaje profundo podían encontrar patrones sutiles en muestras de datos gigantes. Aunque los fabricantes de medicamentos ya utilizan software para tamizar compuestos, dicho software requiere reglas claras escritas por químicos. Las ventajas de la IA en este asunto son su capacidad para aprender y mejorar por sí misma.
norte
"Hay dos estrategias para la innovación de la IA en productos farmacéuticos que le proporcionarán mejores moléculas y una aprobación más rápida", dice Zhavoronkov. "Uno busca una aguja en un pajar y el otro crea una nueva".
Para encontrar una aguja en un pajar, los algoritmos se entrenan en una gran base de datos de moléculas. Luego buscan moléculas con propiedades adecuadas. ¿Pero crear una nueva aguja? Esta oportunidad la brindan las redes generativas de confrontación en las que se especializa Zhavoronkov.
Tales algoritmos enfrentan a dos redes neuronales entre sí. Uno genera un resultado significativo y el otro decide si este resultado es verdadero o falso, dice Zhavoronkov. En conjunto, estas redes generan nuevos objetos como texto, imágenes o, en este caso, estructuras moleculares.
“Comenzamos a usar esta tecnología en particular para hacer que las redes neuronales profundas imaginaran nuevas moléculas para que fueran perfectas desde el principio. Necesitamos agujas perfectas”, dice Zhavoronkov. "Puede recurrir a esta red generativa adversaria y pedirle que cree moléculas que inhiban la proteína X a una concentración de Y, con la mayor viabilidad, las características deseadas y los mínimos efectos secundarios".
Zhavoronkov cree que la IA puede encontrar o fabricar más agujas a partir de una multitud de posibilidades moleculares, liberando a los químicos humanos para que se concentren en sintetizar solo las más prometedoras. Si funciona, espera, podremos aumentar el número de aciertos, minimizar los errores y, en general, acelerar el proceso.
En la bolsa
Insilico no está solo en la exploración de nuevas vías para el descubrimiento de fármacos, y esta no es una nueva área de interés. El año pasado, un grupo de Harvard publicó un artículo sobre IA, que de manera similar selecciona candidatos de las drogas. El software se entrenó en 250.000 moléculas de fármacos y utilizó su experiencia para crear nuevas moléculas que mezclaban fármacos existentes e hicieron sugerencias basadas en las propiedades deseadas. Sin embargo, como señala MIT Technology Review, los resultados obtenidos no siempre son significativos ni se sintetizan fácilmente en el laboratorio, y la calidad de estos resultados, como siempre, es tan alta como la calidad de los datos proporcionados inicialmente.
El profesor de química de Stanford, Vijay Pande, dice que las imágenes, el habla y el texto, que son temas de interés de aprendizaje profundo en este momento, tienen datos buenos y limpios. Pero los datos de química, por otro lado, todavía están optimizados para el aprendizaje profundo. Además, aunque existen bases de datos públicas, gran parte de los datos aún se encuentran a puertas cerradas de empresas privadas.
Para superar todos los obstáculos, la empresa de Zhavoronkov se centra en la validación de tecnología. Pero este año, el escepticismo en la industria farmacéutica parece ceder ante el interés y la inversión. Incluso Google puede entrar en la carrera.
A medida que avanza la inteligencia artificial y el hardware, aún es necesario desbloquear el mayor potencial. Quizás algún día, las 1060 moléculas del dominio de los fármacos estarán a nuestra disposición.
Ilya Khel
