Раковые заболевания чрезвычайно разнообразны и природа их тоже различается. Поиск эффективных лекарств и методов лечения онкологических заболеваний — одна из важнейших задач современной медицины. Ученые по всему миру ищут возможность хоть немного повысить эффективность лечения пациентов с раком.
Объединенная команда специалистов из Mail.Ru Group, Insilico Medicine и МФТИ решили попробовать привлечь к поиску противораковых лекарств специально обученную нейросеть. Проблема в том, что создание эффективного лекарственного противоракового лекарства — очень сложная задача. Обычно этот процесс занимает годы. Но если использовать современные технологии, то время поиска таких веществ сокращается в разы, аналогичным образом уменьшается и стоимость работ.
Ситуация усложняется тем, что сейчас количество различных химических соединений, известных человеку, составляет десятки миллионов. Лишь малая толика этих соединений используются в лекарственных препаратах. В медицине, в основном, используют старые лекарства для создания новых, более эффективных. Качественно новые препараты создаются относительно редко. Проблема еще в том, то среди всех миллионов химических соединений вполне может оказаться вещество, которое является эффективным лекарством против сложного заболевания, того же рака.
Но как определить то, что вещество пригодно для использования в медицине? Человеку понадобятся годы, чтобы проанализировать хотя бы несколько процентов уже известных соединений. В этом, без сомнения, могут помочь компьютерные технологии. В частности, самообучающиеся нейронные сети.
Нейросеть была создана на основе архитектуры так называемых состязательных автокодировщиков, которые, в свою очередь — разновидность генеративных состязательных сетей. Для обучения нейросети специалисты использовали молекулы с уже известными лечебными свойствами, с указанием эффективной концентрации каждого вещества. Сначала нейросеть обучали, используя три компонента. Это кодировщик, декодер и дискриминатор. Первый компонент совместно со вторым сжимал и восстанавливал информацию об исходной молекуле. Дискриминатор же позволял получить сжатое представление о молекуле наиболее пригодным для последующего восстановления. После работы с большим количеством известных молекул начиналась работа с неизвестными, причем первые два компонента отключались.
Для того, чтобы «скормить» нейросети информацию о химическом веществе, обычной формулы недостаточно. Нужен так называемый фингерпринт, информационный отпечаток, который содержит всю информацию о молекуле. Дело в том, что нейронной сети для ее обучения нужна одинаковая длина описания какого-либо объекта, в данном случае — молекулы химического соединения. Специалисты формировали фингерпринты на основе уже известных молекул химических соединений, о чем и говорилось выше. Информация «скармливалась» нейросети большое количество раз, пока сеть сама не научилась генерировать фингерпринты молекул. Российские ученые добились создания отпечатков для 72 млн молекул, после чего сравнили сгенерированные нейросетью информационные отпечатки с базой.
Источник: corp.mail.ru
В этом проекте хорошим подспорьем стало и знание о том, какими примерно качествами должны обладать молекулы веществ, которые пригодны для того, чтобы быть лекарством. По этим критериям и сравнивались база и отпечатки. «Мы сделали нейронную сеть генеративного типа, то есть умеющую создавать схожие вещи, на которых она обучалась. Мы обучили модель сети, которая способна создавать новые фингерпринты с заданными свойствами», — говорит один из авторов, аспирант МФТИ Андрей Казеннов.
Для того, чтобы проверить работоспособность нейросети, специалисты использовали патентную базу веществ, о которых уже известно, что они являются эффективными противораковыми лекарствами. Изначально сеть обучали на части лекарственных форм и затем тестировали на второй части. Эффективной работа нейросети была бы признана в том случае, если бы она смогла предсказать уже известные формы веществ, которых, однако, не было в обучающей выборке. И нейросеть смогла справиться с этой задачей. На нескольких десятков указанных ею веществ, которые могут являться антираковыми лекарствами, многие действительно являются таковыми и имеют патенты.
«Генеративные состязательные сети с применением обучения с подкреплением — это будущее фармакологии. В этой статье мы показали первое применение генеративных состязательных автокодировщиков, GAN’ов, для создания новых молекулярных структур противоопухолевых препаратов по определённым параметрам. Эта работа была сделана ещё летом, и с тех пор мы значительно продвинулись в этом направлении. Я очень надеюсь, что в скором времени мы сможем разрабатывать индивидуальные лекарства для лечения редких заболеваний и даже для лечения отдельных пациентов. Уже в этом году искусственный интеллект начнёт трансформировать фармацевтическую индустрию», — говорит один из авторов исследования Александр Жаворонков.
Поиск лекарственных препаратов, которые могут оказать эффективное воздействие на раковые клетки, продолжается. И занимаются этим все больше компаний. Например, аналогичную работу выполняет когнитивная система Watson, созданная корпорацией IBM.
