联系我们

卫生保健

人工智能被用来创造可以对抗纤维化的药物分子

mm

更新

 on

创建新的医疗药物是一个复杂的过程,可能需要数年的研究和数十亿美元的资金。但这也是一项重要的投资’健康。如果初创公司Insilico Medicine的最新工作继续取得进展,那么人工智能有可能使新药的发现更加容易和快捷。 据SingularityHub报道 ,这家AI初创公司最近利用AI来设计可以对抗纤维化的分子。

鉴于发现一种药物的新分子的过程是多么复杂和耗时,科学家和工程师们一直在寻找加速它的方法。使用计算机来帮助发现新药的想法并不新鲜,因为该想法已经存在了数十年。但是,在这方面的进展一直很缓慢,工程师们努力寻找合适的药物创建算法。

深度学习 过去几年来,制药公司在AI创业公司上投入了大量资金,已经开始使AI驱动的药物发现更加可行。一家公司设法使用AI设计了一种可以对抗纤维化的分子,仅用了46天就完成了一个类似于治疗药物的分子的梦想。 Insilco Medicine结合了两种不同的深度学习技术来实现此结果: 强化学习 和生成对抗网络(GAN)。

强化学习 是一个 机器学习 通过向网络提供引发某些响应的反馈来鼓励机器学习模型做出某些决策的方法。该模型可以因做出不希望的选择而受到惩罚,也可以因做出不希望的选择而受到奖励。通过同时使用负面和正面强化相结合的方式,模型可以指导做出所需的决策,并且趋向于做出使惩罚最小化和回报最大化的决策。

与此同时, 生成对抗网络 之所以是“对抗性的”,是因为它们由相互对立的两个不同的神经网络组成。给出了这两个网络的对象示例,这些对象经常在图像上进行训练。一个网络的工作是创建一个伪造的物品,这种物品与真实的物品足够相似,可以将其与真正的物品混淆。第二个网络的工作是检测伪造的对象。这两个网络试图跑赢另一个网络,并且随着它们都在提高性能以克服另一个网络,这种虚拟军备竞赛导致伪造模型生成的物体与真实物体几乎无法区分。

通过将GANS和强化学习算法结合起来,研究人员能够使他们的模型产生与现有治疗药物极为相似的新药物分子。

Insilico Medicine的AI药物发现实验结果最近发表在《自然生物技术》杂志上。在本文中,研究人员讨论了如何训练深度学习模型。研究人员对已经用于治疗特发性肺纤维化或IPF的蛋白质的分子进行了表征。这些分子被用作训练的基础,组合的模型能够产生大约30,000种可能的药物分子。

然后,研究人员筛选出了30000个候选分子,并选择了六个最有希望的分子进行实验室测试。这六个入围者是在实验室中合成的,并用于一系列测试中,以跟踪他们靶向IPF蛋白的能力。特别是一个分子似乎很有希望,因为它可以提供医疗药物所需的那种结果。

需要注意的是,实验中针对的纤维化药物已经进行了广泛的研究,已经有多种有效的药物可供使用。研究人员可以参考这些药物,这给研究团队提供了帮助,因为他们拥有大量的数据来训练他们的模型。这不适用于其他许多疾病,因此,在这些治疗方法上还有较大的差距可以弥补。

另一个重要的事实是,该公司当前的药物开发模型仅处理初始发现过程,并且由其模型生成的分子在仍可能用于临床试验之前,仍需要进行许多调整和优化。

根据连线,Insilico Medicine的首席执行官Alex Zharvornokov承认他们的AI驱动药物尚未准备好在现场使用,目前的研究只是一个概念证明。该实验的目的是了解借助AI系统可以快速设计出一种药物。但是,扎沃诺夫科夫(Zhavornokov)指出,研究人员能够比使用常规药物发现方法更快地设计出潜在有用的分子。

尽管有一些警告,但Insilico Medicine的研究仍代表着AI在创造新药物方面的显着进步。研究中所用技术的完善可以大大缩短开发新药所需的时间。在抗生素耐药性细菌不断扩散且许多以前有效的药物失去效力的时代,这可能特别有用。