31 янв 2023, 10:00

Лекарства из машины. Как алгоритмы нейросетей придумывают новые препараты

В начале 2023 года стало известно о том, что первое найденное компьютером лекарство прошло первую фазу клинических испытаний. Хотя пока его эффективность еще ожидает подтверждения, многие специалисты надеются: в области фармацевтики грядет революция

В последнее время внимание всего мира приковано к чат-ботам с искусственным интеллектом (ИИ) — например, к ChatGPT от OpenAI. Но, похоже, прямо сейчас происходит и другая революция, связанная с ИИ. Речь идет об использовании машинного обучения для поиска новых лекарств. В последнее время в этой области наметились реальные перспективы.

В январе 2023 года биотехнологическая компания Insilico Medicine объявила о том, что ее препарат, открытый искусственным интеллектом, прошел первую фазу клинических испытаний. Подобные разработки ведут несколько компаний по всему миру, но такой результат "таблетки из машины" показали впервые.

Разработка буксует

Создание нового лекарства — процесс крайне долгий и затратный. Специалистам нужно не просто найти химическое соединение, нацеленное на конкретную мишень в организме, но и протестировать его. На любом этапе испытаний может возникнуть проблема. Например, препарат исправно действует на мишень в пробирке, но не в организме человека. Или вызывает побочные эффекты. Или эффект оказывается выраженным только у животных.

Сложность человеческой биологии делает разработку лекарств астрономически дорогой. Еще в 1980-х годах ученые заметили, что стоимость фармацевтических исследований и разработок удваивалась каждые десять лет или около того. Позже этот эффект назвали законом Эрума (Eroom's law). Это была отсылка к известному "закону Мура" (Moore's law), который гласит, что вычислительные мощности компьютеров растут экспоненциально. Только в случае лекарств все было наоборот (отсюда и Eroom — зеркальное отражение Moore). Чем дальше — тем сложнее и дороже было находить новые препараты.

"Число малых молекул составляет 10 в 60-й степени, но лишь крошечная часть этого астрономически большого химического пространства исследована, — объясняет биоинформатик из Гарвардской медицинской школы Маринка Зитник. — Разработать с нуля лекарство, которое было бы одновременно безопасным и эффективным, невероятно сложно. В среднем на это уходит от 11 до 16 лет и от $1 млрд до $2 млрд".

Машинные алгоритмы могу взять на себя часть работы: определить, какие из молекул с наибольшей вероятностью окажутся безопасными и эффективными для лечения человека. Благодаря своей способности находить паттерны (общие для многих объектов черты) алгоритмы "просеивают" огромные объемы биохимических данных. Они могут опираться на данные секвенирования генома, анализы и данные о действии других молекул.

В конечном счете, по ожиданиям разработчиков, это позволит если не передать машинному интеллекту всю работу по поиску лекарств, то хотя бы снизить стоимость и сократить сроки.

"Переварить" данные, чтобы понять суть

Компанию Insilico Medicine основали в 2014 году ученые-исследователи из России Александр Жаворонков и Александр Алипер. В то время системы глубокого обучения только начали показывать значимые результаты в распознавании изображений. Прорывы вызвали всплеск интереса к ИИ, но большинство проектов были сосредоточены на изображениях, голосе и тексте. В биологии задачи были гораздо более сложными и трудоемкими.

Сейчас главная разработка Insilico касается молекулы, которая лечит идиопатический легочный фиброз (ИЛФ). Причины его возникновения до конца не известны (отсюда и слово "идиопатический", то есть возникающий самостоятельно, без связи с другими состояниями), но он делает ткани легких пожилых людей жесткими и в конечном итоге может убить их. Ежегодно им заболевают пять миллионов человек.

Insilico использует два отдельных пакета программного обеспечения: один — чтобы найти новую мишень для лекарств, и второй — чтобы предложить молекулу, которая бы эффективно воздействовала на эту мишень. Первая нейросеть, названная PandaOmics, выявляет биомаркеры фиброза в легких по данным обследований. Также на помощь приходит анализ врачебных записей — чтобы найти дополнительные подсказки.

Когда первая программа останавливается на конкретной мишени, подключается другая — Chemistry42. Сначала исследователи "предлагают" ей для обучения большой объем различных молекул с определенными свойствами. А дальше программа сама генерирует молекулы с желаемыми свойствами. На последнем этапе отсеиваются структуры, которые не соответствуют критериям качества.

Путь к прорывам только начинается

Молекула INS018_055, найденная нейросетью, должна избирательно блокировать работу ферментов из семейства тирозинкиназ. По одной из версий, именно они отвечают за развитие идиопатического легочного фиброза. Ученые синтезировали это вещество и успешно проверили его эффективность в опытах на мышах и других модельных животных.

Первая фаза клинических испытаний — это уже переход к тестированию на людях. Препарат уже получили около 80 добровольцев из Новой Зеландии — и перенесли его хорошо. Но пока это только проверка безопасности. Фазы II и III проверяют эффективность — сначала на небольшой выборке из нескольких сотен человек, а затем на более крупной выборке из тысяч участников. Они стартуют в ближайшие месяцы.

Insilico — не единственный стартап подобного рода. Так, британская компания Exscientia попала в заголовки газет в 2021 года, объявив о начале первой фазы клинических испытаний препарата, разработанного с использованием ИИ для иммунотерапии рака. А компания Recursion Pharmaceuticals из штата Юта (США) использует искусственный интеллект для поиска новых применений лекарств, принадлежащих другим компаниям.

Если судить по других областям, где ИИ активно развивается, в ближайшие годы можно ожидать взрывного роста подобных исследований. Впрочем, могут появиться и новые сложности, о которым мы пока не знаем.

Антон Солдатов

 

11 июня 2024

https://tass.ru/nauka

Мнение

От генерации картинок к проектированию автомобилей: чего ожидать от функционала нейросетей

Иван Оселедец — о том, как будет развиваться генеративный ИИ в ближайшие годы

ОСЕЛЕДЕЦ Иван

https://tass.ru/opinions/experts/64006313

Доктор физико-математических наук, профессор РАН, генеральный директор Института AIRI, профессор Сколтеха

 

Генеративный искусственный интеллект стремительно внедряется в различные отрасли, предлагая новые возможности и создавая вокруг них настоящий ажиотаж. Сегодня продукты на базе генеративного ИИ активно применяются в финансовом секторе, ритейле, IT и дизайне. Рассмотрим, что может ждать технологию в среднесрочной перспективе и какой из известных сценариев следует считать наиболее вероятным.

Генеративный ИИ

Это форма искусственного интеллекта, которая позволяет создавать (генерировать) сущности по входному запросу пользователя. Он может писать тексты, рисовать изображения, монтировать видео, писать музыку, составлять проектную документацию и многое другое.

Сценарий 1: хайп утихнет, инвестпривлекательность спадет

Если бизнес не решит вопрос монетизации технологических продуктов, со временем они могут превратиться в дорогую игрушку. Так, например, компания — создатель популярного генератора изображений Stable Diffusion Stability AI столкнулась с финансовыми трудностями и рассматривает возможность продажи бизнеса. Совсем недавно, в 2022 году, Stability AI привлекла $100 млн инвестиций при оценке в $1 млрд, а теперь терпит крах. В первом квартале 2024 года доход компании составил менее $5 млн, а убытки — $30 млн. Исследователи покидают компанию, что усугубляет ее положение.

Свою роль в подобном развитии событий играет не только отсутствие коммерчески устойчивой бизнес-модели, но и перспективы зарегулированности отрасли. Развитые технологии могут использоваться мошенниками, поэтому правительства стран и разных регионов по всему миру активно работают над созданием соответствующих правовых норм. Чтобы быть эффективным, этот процесс должен вестись при участии профильных экспертов. Например, сейчас в Калифорнии активно обсуждают введение нормативов, которые возлагают на разработчиков ответственность за применение их решений в неправомерных целях. Подобный вектор развития регулирования вызывает опасения сообщества, свидетельствует о непонимании фундаментальных принципов работы моделей ИИ и в случае его реализации блокирует дальнейшее развитие, в том числе, и open-source разработки в регионе.

 

Ключевой блокатор этого сценария заключается в том, что работа с рисками ведется уже сейчас. Исследователи разрабатывают алгоритмы доверенного искусственного интеллекта и решения для кибербезопасности ИИ. Например, способы маркировки ИИ-моделей и контента. Это способствует работе против неправомерного использования генеративных технологий. Вопрос окупаемости решений в первую очередь затрагивает прорывные генеративные LLM (large language models — большие языковые модели) крупных компаний, в то время как на рынке есть намного менее изученные и перспективные сферы применения генеративных технологий.

Сценарий 2: ключевой трек развития сузится до креативного сектора

Этот сценарий связан с тем, что уровень адаптации генеративных моделей в креативных профессиях довольно высок прямо сейчас. Компании используют GPT-4, DALL-E 3, Midjourney, Kandinsky и другие модели для генерации маркетинговых кампаний и контента. Например, "Императорский Фарфоровый завод" выпускает фарфор с ИИ-дизайном. Нейросети используются и для создания рекламных объявлений на маркетплейсах. Год назад опросы показывали, что 45% дизайнеров в России уже применяли ИИ в работе.

Естественно, появление новых инструментов порождает опасения о рабочих местах и вызывает серьезные дебаты о необходимости регулирования использования нейросетей в творческом секторе. В 2024 году Голливуд уже столкнулся с забастовками сценаристов и актеров, которые требуют защиты своих прав и ограничений на использование технологий для создания контента без их участия​.

Инструменты искусственного интеллекта действительно могут воспроизвести полноценный творческий контент с минимальным участием человека. Но удовлетворит ли подобный контент нужды бизнеса без участия экспертов — большой вопрос. Для применения результатов генерации необходимы верификация и отбор контента, навыки по грамотному формированию запросов для нейросетей (промпт-инжиниринг) и, в зависимости от масштаба проекта, ресурсы на вычислительные мощности.

Сценарий 3: спадет повсеместный ажиотаж, но область применения расширится

Сценарий, который кажется наиболее вероятным, — развитие технологии согласно кривой Гартнера. Напомню: после пика завышенных ожиданий нас ждет фаза ослабления всеобщего интереса, затем коррекция и переход технологии в категорию зрелой. Градус информационного хайпа снизится, но инвестиционная привлекательность продуктов на основе ИИ сохранится на высоком уровне за счет постепенного привыкания общества к взаимодействию с такими решениями.

Аргументом в пользу этого сценария выступает рост интереса к мультимодальным нейросетям — растет популярность синтеза изображений и видеоконтента с помощью генеративных сетей.

Главный тренд — внедрение в промышленность и медицину

Останется ли генеративный ИИ инструментом для сферы развлечений, покажет время, однако можно с уверенностью сказать, что потенциал применения технологии в реальном секторе экономики совершенно точно еще не раскрыт. Новый виток развития технологических продуктов будет связан именно с этим сектором. Это будет не просто генеративный ИИ, а обусловленный генеративный ИИ, который позволит на основе заданных ограничений создавать физически объяснимые конструкции: вещи, детали, молекулы. Отношение к генеративному ИИ станет более серьезным.

Несмотря на сложности, на рынке уже есть интересные кейсы. Генеративный ИИ используют в проектировании автомобилей. Первичные эскизы "загружаются" в системы на основе ИИ для обработки и предложения новых вариантов внешнего вида авто с учетом инженерных ограничений. General Electric использует ИИ для разработки новых конструкций генераторов и трансформаторов с улучшенными характеристиками и повышенной надежностью. Так компания экономит на производстве и эксплуатации оборудования.

 

Поддержка существующих ИИ-решений на предприятиях также станет драйвером применения генеративных технологий. Системы детекции брака, предсказательной аналитики и программ для автономного управления строительной техникой нуждаются как в регулярной доработке, так и в тонкой "настройке" для внедрения в работу конкретного предприятия. Созданные с помощью генеративного искусственного интеллекта синтетические датасеты помогут справиться с нехваткой качественно размеченных данных для обучения и дообучения моделей.

Чтобы значительно расширить область применения генеративного ИИ в промышленности и перейти на новый уровень зрелости технологии, необходимо решить две задачи. Первая — наладить регулярное взаимодействие междисциплинарных научных команд и отраслевых специалистов, понимающих физику процессов, для которых создаются ИИ-решения. Вторая — направить ресурсы в поиск новых нейросетевых архитектур для более оптимального расхода вычислительных ресурсов и увеличения контролируемости процесса генерации.

Технология развивается не только на пользу промышленности. Все идет к тому, что в ближайшие пять лет появятся готовые решения в области здравоохранения. Уже сейчас диалоговые ассистенты на основе больших языковых моделей помогают врачам и пациентам в постановке диагнозов и выборе лечения.

"СберМедИИ" и правительство Москвы разработали инструмент на базе ИИ, который помогает терапевтам в проставлении диагноза на основании данных электронной медицинской карты пациента. Первые лекарства, созданные на основе сгенерированных нейросетью молекул, проходят клинические испытания, что ускоряет процесс вывода новых препаратов на рынок. Например, стартап Insilico Medicine разработал препарат для лечения идиопатического легочного фиброза, который проходит клинические испытания на людях. А значит, можно ожидать яркие кейсы и в этом направлении.

Мнение редакции может не совпадать с мнением автора. Использование материала допускается при условии соблюдения правил цитирования сайта tass.ru