For at oprette et nyt lægemiddel i dag, forskere har for at teste titusinder af komponenter til at forstå, hvordan de interagerer. Og det er ikke den hårde del. Efter et stof, som findes effektive mod denne sygdom, han vil gennemgå tre forskellige faser af de kliniske forsøg og for at opnå myndighedernes godkendelse.
Ifølge skøn, gennemsnit, et nyt lægemiddel kom på markedet, du har brug for 1000 mennesker, 12-15 år og over $ 1,6 milliarder. Det ser ud til at være en bedre måde — og han menes at have optrådt. I sidste uge, forskere, offentliggjort et dokument, som beskriver i detaljer den kunstige intelligens, oprettet for at bistå i jagten på nye lægemidler. Det skal væsentligt mindre mængde af tid og penge i processen.
Systemet kaldes AtomNet og gjort det til en start fra San Francisco kaldet AtomWise. Den teknologi, der er designet til at strømline den indledende fase af drug discovery, som indebærer et samspil af forskellige molekyler med hinanden, især forskere skal bestemme, hvad molekyler binder og hvor kraftigt. De bruge en metode til trial and error, som går gennem titusinder af komponenter, både naturlige og syntetiske.
AtomNet forkorte denne proces ved hjælp af teknikker af dyb læring til at forudsige, hvordan molekyler, og hvor tilbøjelige de er til at danne en obligation. Software studier af molekylær interaktion, genkende mønstre, som AI lærer at genkende billeder.
Husk den tre-dimensionelle model af atomer, som mange gør i high school ud af skum og rør til at repræsentere forholdet mellem protoner, neutroner og elektroner? AtomNet bruger en lignende tredimensionelle modeller af molekyler, herunder oplysninger om deres struktur, til at forudsige deres biologiske aktivitet.
Siger chief operating officer AtomWise Alexander Levi, “du kan tage samspillet mellem stof og biologisk system, og til at nedbryde det i mindre interaktive grupper. Hvis du studerer nok historiske eksempler på molekyler, der kan være ret hurtig til at lave præcise forudsigelser”.
“Hurtigt” er måske endda en underdrivelse. Efter sigende, AtomNet kan gå gennem en million forbindelser per dag. Ved anvendelse af moderne metoder, ville det tage måneder.
AtomNet kan ikke opfinde et nyt lægemiddel eller endnu sige med sikkerhed, om en kombination af to molekyler effektiv medicin. Men det kan forudsige, hvor sandsynligt et bestemt stof virker mod en specifik sygdom. Forskere bruge disse forudsigelser til at indsnævre tusindvis af muligheder for at tiere, at fokus test, hvor positive resultater, der er mest sandsynligt.
Denne software har allerede vist sig, bidrager til at skabe nye lægemidler til behandling af Ebola og multipel sklerose. Det sidste stof, der blev givet i licens til et Britisk medicinalfirma, og stoffet mod Ebola, som blev præsenteret i et peer-reviewed tidsskrift for yderligere analyse.
Selv om AtomNet er en lovende teknologi, der vil fremskynde opdagelse af nye stoffer, det er værd at bemærke, at fremtidens medicin er også bevæger sig i retning af en proaktiv snarere end en reaktiv tilgang, i stedet for at forsøge at opfinde medicin bare for behandling af syge mennesker, opmærksomhed skiftede til omhyggelig overvågning af sundhed status og tage de nødvendige skridt, der ikke vil lade os syge i første omgang.
Sidste år, Fondens Zuckerberg gav $ 3 milliarder for at søge efter den “kur for alle sygdomme”. Dette er en ambitiøs og noget quixotic mål, som ikke desto mindre fortjener respekt. I et andet eksempel på den bevægelse mod proaktiv sundhed XPRIZE Fundament for nylig tildelt $ 2,5 millioner enheden er designet til at hjælpe med at diagnosticere derhjemme og personlig sundhed overvågning. Proaktiv teknologi i sundhedsvæsenet er tilbøjelige til at blive for at udvikle sig og vokse i popularitet.
Men det betyder ikke, at reaktive medicinsk behandling, vil forblive på plads. I halvtreds eller hundrede år vil folk stadig bliver syg og har brug for medicin, der kan kurere dem. AtomNet — et første af sin slags software. Men meget snart vil der være andre metoder til at anvende kunstig intelligens på denne vej.
Kunstig intelligens vil genopfinde lægemidler ti gange hurtigere mennesker
Ilya Hel