hospiceday.ru

Чтобы создать новое лекарство, сегодня ученым приходится испытывать десятки тысяч компонентов, чтобы понять, как они взаимодействуют между собой. И это еще не самая сложная часть. После того как определенное вещество находят эффективным против заболевания, ему предстоит пройти еще три разных фазы клинических испытаний и получить одобрение регулирующих органов.

Но это не значит, что реактивная медицинская помощь останется на месте. Через пятьдесят или сто лет люди все равно будут болеть и нуждаться в лекарстве, которое их излечит. AtomNet — первое в своем роде программное обеспечение. Но очень скоро будут и другие методы применения искусственного интеллекта на этой стезе.

Система называется AtomNet и создал ее стартап из Сан-Франциско под названием AtomWise. Технология направлена на рационализацию начального этапа открытия лекарств, который включает в себя взаимодействия различных молекул между собой, в частности, ученым необходимо определить, какие молекулы будут связываться и насколько сильно. Они используют метод проб и ошибок, перебирая десятки тысяч компонентов, как природных, так и синтетических.

«Быстро» может быть даже преуменьшением. Как сообщается, AtomNet может прошерстить миллион соединений за день. Применяя современные методы, на это ушли бы месяцы.

Помните трехмерные модельки атомов, которые многие делают в средней школе из пены и трубок, чтобы представить связи между протонами, нейтронами и электронами? AtomNet использует аналогичные трехмерные модели молекул, включая данные об их структуре, чтобы предсказать их биологическую активность.

Как говорит главный операционный директор AtomWise Александр Леви, «можно взять взаимодействие между препаратом и большой биологической системой и разложить его на меньшие интерактивные группы. Если изучить достаточно исторических примеров молекул, можно довольно быстро сделать точные прогнозы».

Это программное обеспечение уже зарекомендовало себя, помогая создать новые препараты для лечения Эбола и рассеянного склероза. Последний препарат был лицензирован британской фармацевтической компанией, а препарат против Эбола был представлен в рецензируемый журнал для дополнительного анализа.

Хотя AtomNet является многообещающей технологией, которая ускорит открытие новых препаратов, стоит отметить, что будущее медицины также движется в сторону проактивного, а не реактивного подхода; вместо того чтобы изобретать препараты просто для лечения больных людей, внимание смещается к тщательному отслеживанию состояния здоровья и принятию необходимых шагов, которые не дадут нам заболеть в первую очередь.

В прошлом году фонд Цукербергов передал 3 миллиарда долларов на поиск «лекарства от всех болезней». Это амбициозная и несколько донкихотская цель, которая тем не менее заслуживает уважения. В другом примере движения в сторону упреждающего здравоохранения фонд XPRIZE недавно присудил 2,5 миллиона долларов устройству, предназначенному для облегчения диагностики на дому и личного мониторинга состояния здоровья. Проактивная технология здравоохранения, вероятно, будет развиваться и расти в популярности.

AtomNet сокращает этот процесс, используя методы глубокого обучения для прогнозирования, как будут вести себя молекулы и насколько вероятно, что они образуют связи. Программное обеспечение обучается молекулярному взаимодействию, распознавая паттерны, подобно тому как ИИ учится распознавать изображения.

По оценкам, в среднем, чтобы один новый препарат поступил на рынок, нужно 1000 человек, 12-15 лет и около 1,6 миллиарда долларов. Вроде бы должен быть способ получше — и он, как считают, появился. На прошлой неделе ученые опубликовали работу, в которой подробно описывается система искусственного интеллекта, созданная для помощи в поиске новых препаратов. Она должна значительно скостить объем времени и денег, затрачиваемых в этом процессе.

AtomNet не может изобрести новый препарат или даже сказать наверняка, будет ли комбинация двух молекул эффективным лекарством. Но зато он может предсказать, насколько вероятно определенное соединение сработает против определенной болезни. Ученые используют эти прогнозы, чтобы сузить тысячи вариантов до десятков, сосредоточить свое тестирование там, где положительные результаты будут наиболее вероятными.