Лучшие лекарства: потенциал технологий искусственного интеллекта

Четверг, 3 августа 2017 г.Просмотров: 3745Обсудить

Следите за нами в ВКонтакте, Facebook'e и Twitter'e

Лучшие лекарства: потенциал технологий искусственного интеллектаРазработка фармацевтических препаратов - очень дорогостоящее и трудоемкое дело. Как выяснили на прошлой неделе AstraZeneca, разочаровывающие испытания препарата могут выбить миллионы на фондовом рынке в мгновение ока. Таким образом, чем быстрее выявить перспективные молекулы, которые можно было бы превратить в жизнеспособные лекарства, тем лучше. Именно поэтому фармацевтические компании, такие как GlaxoSmithKline, Merck, Sanofi и Johnson & Johnson, теперь используют искусственный интеллект.

Эндрю Хопкинс - главный исполнительный директор Exscientia, фирмы по разработке препаратов с помощью искусственного интеллекта (ИИ), которая недавно подписала контракт на £33 млн с GSK. Он утверждает, что ИИ и человек работают вместе в, так называемых, "командах-кентаврах", чтобы помочь идентифицировать молекулу-кандидата за четверть обычного времени и за четверть стоимости.

Сочетание биологии и кибернетики

В греческой мифологии кентавр является наполовину человеком и наполовину лошадью, что придает ему силу и быстроту. ИИ дает ученым такие дополнительные полномочия, считает профессор Хопкинс.

«Успешное обнаружение лекарств полагается на точное понимание того, как болезнь влияет на наши биологические системы», - говорит Памела Спенс, управляющий по вопросам глобальных наук о жизни в консалтинговой компании EY. "Как только это станет известно, ученые ищут молекулы, которые могут избирательно взаимодействовать с этой "целевой" проблемой и наоборот нарушить или замедлить это воздействие - "ударные" молекулы".

Ученые часто говорят о болезни, как о мишени и о молекулах, как о поражающем оружии. Но процесс поиска лекарственных препаратов, традиционно проводимый небольшими группами ученых кропотливо тестирующими каждую потенциальную молекулу в надежде найти победителя - это чрезвычайно трудоемкий процесс, который также имеет очень высокий процент неудач.

«ИИ, как научный сотрудник может решить проблему путем систематического и неустанного поиска на невероятных скоростях», - говорит она. «То, что может работать и то, что может не работать, можно определить с помощью ИИ "в silico».

Это медицинский термин для исследований, проводимых с помощью компьютера, в отличие от "в пробирке" и "in vivo" - испытания на животных и людях.

Поскольку на проведение клинических испытаний приходится большая часть стоимости лекарств, то, чем быстрее мы сможем определить, когда что-то не сработает, тем меньше денег будет потрачено впустую.

"Тогда физическое тестирование может быть сделано на меньшем количестве потенциальных новых лекарственных средств... и гораздо более высокий уровень успеха может быть достигнут", - говорит г-жа Спенс.

ИИ-ориентированный подход

Алгоритм Exscientia основан на массе данных, от структуры болезней до эффективности существующих лекарств, от рецензируемых исследований до наблюдений под микроскопом. И все эти возможности расширяются по сравнению с естественным отбором, по мнению профессора Хопкинса.

"Мы не пытаемся исключить неопределенность - это грязные, грязные данные, - говорит он. - Есть очень интересные аналогии между творчеством человека и эволюцией".

Цель состоит в том, чтобы придумать малые молекулы в качестве кандидатов на лечение до 10 заболеваний, которые затем могут быть помещены на клинические испытания.

"Каждая таблетка может стоить пенсов в изготовлении, но на самом деле это научный продукт, - говорит профессор Хопкинс, который также является членом кафедры медицинской информатики в Dundee University. "Есть почти бесконечное число других молекул. Вы должны принять решения относительно того, что какая-то может быть безопасной и эффективной. Большинство из них не приводит ни к чему".

ИИ-ориентированный подход также облегчает поиск молекул, которые могут иметь две различные цели. Например, лекарство от рака может улучшать иммунную систему, а также бороться с этой болезнью.

GSK выступают за идею и недавно создали группу по эффективности обнаружения, направленную на улучшение обнаружения лекарств с помощью "технологии компьютерного моделирования", в том числе с помощью ИИ, машинного обучения и глубокого изучения.

Движение возглавил Джон Балдони, руководитель GSK по НИОКР.

"У нас есть ряд сделок: одна с Exscientia - это, наверное, та, которая дальше всего продвинулась, а также несколько других в потоке и несколько внутренних проектов", - говорит он. "Стоимость от обнаружения цели до запуска - около $1,7 млрд. Стоимость того,  о чем мы говорим здесь, от цели к клинике, составляет около 33%, и она занимает около пяти с половиной лет. Наша цель – сократить период до одного года и соразмерно снизить стоимость."

ИИ также прокладывает свой путь в других аспектах процесса открытия лекарств.

Benevolent AI, например, используют обработку естественного языка, чтобы порыться в опубликованной литературе, например, в химических библиотеках, медицинских базах данных и научных работах, чтобы сделать выводы о возможных новых кандидатах на лекарства.

Ранее в этом году один из кандидатов на препарат для лечения Амиотрофического склероза был открыт в клетках, взятых у реальных пациентов и у животных.

"Мы невероятно воодушевлены этими результатами", - говорит основатель и председатель Benevolent AI Кен Малвани.

Пациенты должны быть воодушевлены также. Лекарства, открытые с помощью ИИ, обещают принести более эффективные, более дешевые препараты на рынок гораздо быстрее.

Следите за нами в ВКонтакте, Facebook'e и Twitter'e


Рубрика: Ноу-хау / Наука
Просмотров: 3745 Метки:
Автор: Вуллакотт Эмма @bbc.com">BBC


Оставьте комментарий!

RosInvest.Com не несет ответственности за опубликованные материалы и комментарии пользователей. Возрастной цензор 16+.

Ответственность за высказанные, размещённую информацию и оценки, в рамках проекта RosInvest.Com, лежит полностью на лицах опубликовавших эти материалы. Использование материалов, допускается со ссылкой на сайт RosInvest.Com.

Архивы новостей за: 2018, 2017, 2016, 2015, 2014, 2013, 2012, 2011, 2010, 2009, 2008, 2007, 2006, 2005, 2004, 2003