И снова здравствуйте. В преддверии запуска курса «Нейронные сети на Python», хотим поделиться с вами переводом интересной статьи о вкладе ИИ в развитие медицины.
![](https://habrastorage.org/r/w1560/webt/i7/ee/ru/i7eeru1adxuivgpya2zsv9ebywy.png)
Компания Insilico Medicine из Гонконга опубликовала исследование, показывающее, что их система глубокого обучения умеет определять потенциальные методы лечения фиброза. Эта система, названная генеративной тензорной системой обучения с подкреплением или кратко GENTRL, смогла обнаружить шесть перспективных методов лечения всего за 21 день. Один из этих методов показал многообещающие результаты в экспериментах над подопытными мышами. Исследование было опубликовано в журнале Nature Biotechnology, а исходный код модели был доступен на Github.
«Мы располагаем стратегическим мышлением Искусственного Интеллекта в сочетании с его воображением», говорит Генеральный Директор Insilico Александр Жаворонков, который сравнивает работу GENTRL с системой машинного обучения AlphaGo, разработанной Deepmind Google, чтобы бросить вызов игрокам чемпионата игры по го.
Жаворонков основал компанию в 2014 году. Изначальное образование он получил в области информатики и провел несколько лет, работая в ATI, пока в 2006 году компанию не купила AMD. В этот момент он решил сменить род деятельности и заняться биотехнологическими исследованиями, заинтересовавшись областью замедления процесса старения. Он получил степень магистра в Университете Джонса Хопкинса, а затем степень кандидата наук в Московском Государственном Университете, где сосредоточился на исследованиях по использованию машинного обучения для изучения физики молекулярных взаимодействий в биологических системах. Он работал в нескольких компаниях, но затем вернулся в Балтимор, чтобы основать Insilico.
Изначальная философия компании заключалась в использовании глубокого обучения для того, чтобы научить нейронные сети обходить большие библиотеки молекул и находить цели для воздействия медицинскими препаратами. Однако вскоре после основания компании Жаворонков увлекся работой Яна Гудфеллоу в области машинного обучения и решил сменить курс.
«Можем ли мы заставить машину создавать новые молекулы с новыми свойствами, вместо того чтобы просто проверять гигантские библиотеки поставщиков?» — таким вопросом он задавался. Традиционно открытия новых лекарственных препаратов происходят посредством молекулярного скрининга, однако вопрос заключался в том, можно ли оптимизировать и ускорить этот процесс с помощью машинного обучения.
Первое исследование на основе этой идеи, опубликованное компанией в 2016 году, помогло привлечь инвестиции для проведения разработок на стыке областей биотехнологии и искусственного интеллекта. Согласно Pitchbook, Жаворонков привлек еще 24,3 млн долларов инвестиций от таких спонсоров как A-Level Capital и Juvenescence при общей оценке в 56 млн долларов. У него также есть несколько партнеров в сфере биотехнологий, в том числе A2A Pharmaceuticals и TARA Biosystems.
Это исследование о вызове, который сама себе бросила компания и ее коллеги из мира химии. Они просили Insilico использовать свою систему для разработки потенциальных лекарственных препаратов, которые могут препятствовать активности дискоидина доменного рецептора 1 (DDR1). DDR1 является ферментом, участвующим в фиброзе, и, пускай еще не ясно регулирует ли он эти процессы, ингибирование его активности рассматривается в качестве возможной терапии. Эта задача легла в основе недавно опубликованных исследований, проведенных группой специалистов Genentech, которым потребовалось около 8 лет для определения перспективных ингибиторов киназы DDR1.
![](https://habrastorage.org/r/w780q1/webt/me/fn/o8/mefno8pimd68pvbmhzrxkchwbh8.jpeg)
Общий вид процесса исследований Insilico
Insilico использовала GENTRL для разработки новых потенциальных лекарственных препаратов, которые в последствии были синтезированы, а один из них даже успешно протестирован на мышах. Проектирование системы искусственного интеллекта заняло около 21 дня, а общее количество времени на разработку, синтез и валидацию заняло около 46 дней. Хотя ни один из препаратов, разработанных GENTRL, не оказался более эффективным, чем ингибиторы, открытые традиционным методом исследования, традиционный метод занял более 8 лет времени и миллионы долларов в сравнении с несколькими неделями и приблизительной стоимостью в 150 000 долларов.
«Их молекулы удивительны, они намного лучше результатов работы нашего искусственного интеллекта», — говорит Жаворонков. «Но опять же, тут играют роль годы работы против людей, которые не так хорошо разбираются в химии, но уже делают такие вещи.»
Конечно, на фоне всей разработки лекарственных средств – это лишь первый шаг. Хотя он и является важной вехой для демонстрации потенциала ИИ в выявлении потенциальных лекарственных препаратов, потребуются годя клинических испытаний и миллионы долларов на исследования, прежде чем любое потенциальное лекарство будет одобрено в качестве средства лечения конкретного заболевания.
Жаворонков также говорит, что впереди у Insilico еще много работы. Для него это исследование считается важным прорывом, поскольку оно показывает перспективы использования ИИ в создании лекарственных препаратов.
«Я считаю, что это исследование уменьшит скептический настрой в глобальной фармацевтике», — говорит он.
![](https://habrastorage.org/webt/i7/ee/ru/i7eeru1adxuivgpya2zsv9ebywy.png)
Компания Insilico Medicine из Гонконга опубликовала исследование, показывающее, что их система глубокого обучения умеет определять потенциальные методы лечения фиброза. Эта система, названная генеративной тензорной системой обучения с подкреплением или кратко GENTRL, смогла обнаружить шесть перспективных методов лечения всего за 21 день. Один из этих методов показал многообещающие результаты в экспериментах над подопытными мышами. Исследование было опубликовано в журнале Nature Biotechnology, а исходный код модели был доступен на Github.
«Мы располагаем стратегическим мышлением Искусственного Интеллекта в сочетании с его воображением», говорит Генеральный Директор Insilico Александр Жаворонков, который сравнивает работу GENTRL с системой машинного обучения AlphaGo, разработанной Deepmind Google, чтобы бросить вызов игрокам чемпионата игры по го.
Жаворонков основал компанию в 2014 году. Изначальное образование он получил в области информатики и провел несколько лет, работая в ATI, пока в 2006 году компанию не купила AMD. В этот момент он решил сменить род деятельности и заняться биотехнологическими исследованиями, заинтересовавшись областью замедления процесса старения. Он получил степень магистра в Университете Джонса Хопкинса, а затем степень кандидата наук в Московском Государственном Университете, где сосредоточился на исследованиях по использованию машинного обучения для изучения физики молекулярных взаимодействий в биологических системах. Он работал в нескольких компаниях, но затем вернулся в Балтимор, чтобы основать Insilico.
Изначальная философия компании заключалась в использовании глубокого обучения для того, чтобы научить нейронные сети обходить большие библиотеки молекул и находить цели для воздействия медицинскими препаратами. Однако вскоре после основания компании Жаворонков увлекся работой Яна Гудфеллоу в области машинного обучения и решил сменить курс.
«Можем ли мы заставить машину создавать новые молекулы с новыми свойствами, вместо того чтобы просто проверять гигантские библиотеки поставщиков?» — таким вопросом он задавался. Традиционно открытия новых лекарственных препаратов происходят посредством молекулярного скрининга, однако вопрос заключался в том, можно ли оптимизировать и ускорить этот процесс с помощью машинного обучения.
Первое исследование на основе этой идеи, опубликованное компанией в 2016 году, помогло привлечь инвестиции для проведения разработок на стыке областей биотехнологии и искусственного интеллекта. Согласно Pitchbook, Жаворонков привлек еще 24,3 млн долларов инвестиций от таких спонсоров как A-Level Capital и Juvenescence при общей оценке в 56 млн долларов. У него также есть несколько партнеров в сфере биотехнологий, в том числе A2A Pharmaceuticals и TARA Biosystems.
Это исследование о вызове, который сама себе бросила компания и ее коллеги из мира химии. Они просили Insilico использовать свою систему для разработки потенциальных лекарственных препаратов, которые могут препятствовать активности дискоидина доменного рецептора 1 (DDR1). DDR1 является ферментом, участвующим в фиброзе, и, пускай еще не ясно регулирует ли он эти процессы, ингибирование его активности рассматривается в качестве возможной терапии. Эта задача легла в основе недавно опубликованных исследований, проведенных группой специалистов Genentech, которым потребовалось около 8 лет для определения перспективных ингибиторов киназы DDR1.
![](https://habrastorage.org/webt/me/fn/o8/mefno8pimd68pvbmhzrxkchwbh8.jpeg)
Общий вид процесса исследований Insilico
Insilico использовала GENTRL для разработки новых потенциальных лекарственных препаратов, которые в последствии были синтезированы, а один из них даже успешно протестирован на мышах. Проектирование системы искусственного интеллекта заняло около 21 дня, а общее количество времени на разработку, синтез и валидацию заняло около 46 дней. Хотя ни один из препаратов, разработанных GENTRL, не оказался более эффективным, чем ингибиторы, открытые традиционным методом исследования, традиционный метод занял более 8 лет времени и миллионы долларов в сравнении с несколькими неделями и приблизительной стоимостью в 150 000 долларов.
«Их молекулы удивительны, они намного лучше результатов работы нашего искусственного интеллекта», — говорит Жаворонков. «Но опять же, тут играют роль годы работы против людей, которые не так хорошо разбираются в химии, но уже делают такие вещи.»
Конечно, на фоне всей разработки лекарственных средств – это лишь первый шаг. Хотя он и является важной вехой для демонстрации потенциала ИИ в выявлении потенциальных лекарственных препаратов, потребуются годя клинических испытаний и миллионы долларов на исследования, прежде чем любое потенциальное лекарство будет одобрено в качестве средства лечения конкретного заболевания.
Жаворонков также говорит, что впереди у Insilico еще много работы. Для него это исследование считается важным прорывом, поскольку оно показывает перспективы использования ИИ в создании лекарственных препаратов.
«Я считаю, что это исследование уменьшит скептический настрой в глобальной фармацевтике», — говорит он.