Искусственный интеллект может генерировать тексты, создавать изображения, писать стихи. "Это, конечно, хорошо", -скажете вы, - "Но реальная глобальная польза от него есть?".
Да, вы не представляете, что ИИ способен сделать для открытия лекарств — трудоемкого и дорогостоящего процесса. Все благодаря возможности анализировать огромные объемы данных и обнаруживать закономерности, которые человеческий глаз может не заметить.
Мы – на пороге больших успехов в открытии лекарств. Что привело к этому?
За последние несколько лет произошел огромный сдвиг в открытии лекарств: всплеск доступности данных о клинически значимых белковых структурах человека и молекулах, которые их связывают. Огромные химические библиотеки лекарствоподобных молекул, почти неограниченная вычислительная мощность и новые, более эффективные вычислительные методы.
Последнее новшество связано с открытием лекарств на основе ИИ. Но еще более значимым является сочетание ИИ и открытия лекарств на основе структуры, причем оба подхода – дополняют друг друга.
Как открывались лекарства в прошлом?
Традиционный способ открытия новых лекарств — это, в основном, метод проб и ошибок. Медленно, дорого, и занимает около 10-15 лет. На каждом этапе разработки наблюдается высокий уровень отсева. Наибольшие возможности для экономии времени и затрат связаны с ранними этапами открытия и доклиническими стадиями. Именно здесь способен помочь искусственный интеллект.
Что происходит на ранней стадии?
Проведем аналогию с замком и ключом. Человеческие рецепторы — это замок, а лекарство, которое блокирует или активирует этот рецептор, является ключом к этому замку.
Вот пример. Липитор, один из самых продаваемых препаратов всех времен, нацелен на фермент, участвующий в синтезе холестерина в печени. Рецептор фермента – тот самый замок. Липитор является ключом, подходящим к замку и блокирующим активность фермента, позволяющий снижать уровень холестерина в крови.
Теперь вычислительные подходы позволяют ученым моделировать в цифровом виде миллиарды виртуальных ключей и предсказывать, какие из них, вероятно, будут наиболее подходящими. Только несколько десятков лучших ключей-кандидатов химически синтезируются и тестируются.
Почему это намного эффективнее?
Если вычислительная модель хороша, этот процесс дает лучшие результаты, чем традиционное тестирование миллионов случайных ключей методом проб и ошибок. Упрощается процесс синтеза соединений и их тестирование более чем в тысячу раз. При этом, часто достигая лучших результатов, что продемонстрировано работой многих групп ученых, работающих в области фармакологии.
В чем разница между классическим (структурным) методом разработки и на основе ИИ?
Следуя аналогии с замком и ключом, классический подход использует детальное понимание структуры замка. Если трехмерная физическая структура замка известна, можно использовать виртуальные методы для предсказания структуры ключа, соответствующего замку.
Машинное обучение или подход на основе ИИ лучше всего работает, когда уже известно много ключей для других подобных замков. Затем ИИ может проанализировать эту смесь похожих замков и ключей, и предсказать ключи, которые, скорее всего, подойдут нашей цели. Ему не нужно точное знание структуры замка, но нужна большая коллекция соответствующих ключей.
Таким образом, структурный и ИИ-подходы применимы в разных случаях и дополняют друг друга.
Был ли материал полезен? Напишите в комментариях.
