Αν υπάρχει ένα πράγμα στο οποίο μπορούμε όλοι να συμφωνήσουμε, είναι ότι οι καπετάνιοι της βιομηχανίας του 21ου αιώνα προσπαθούν να βάλουν την τεχνητή νοημοσύνη σε κάθε γωνιά του κόσμου μας. Αλλά για όλους τους τρόπους με τους οποίους η τεχνητή νοημοσύνη θα χωθεί στα πρόσωπά μας και δεν θα αποδειχθεί πολύ επιτυχημένη, μπορεί στην πραγματικότητα να έχει τουλάχιστον έναν χρήσιμο σκοπό. Για παράδειγμα, επιταχύνοντας δραματικά τη συχνά δεκαετίες διαδικασία σχεδιασμού, εύρεσης και δοκιμής νέων φαρμάκων.
Ο μετριασμός του κινδύνου δεν είναι
μι
α σέξι έννοια, αλλά αξίζει να κατανοήσουμε πόσο συνηθισμένο είναι να αποτυγχάνει ένα νέο σχέδιο φαρμάκων. Για να θέσετε το σκηνικό, σκεφτείτε ότι κάθε σχέδιο φαρμάκων χρειάζεται από τρία έως πέντε χρόνια για να σχηματιστεί μια υπόθεση αρκετά ισχυρή ώστε να ξεκινήσει δοκιμές σε εργαστήριο. ΕΝΑ
Μελέτη του 2022 από τον καθηγητή Duxin Sun
διαπίστωσε ότι το 90 τοις εκατό της κλινικής ανάπτυξης φαρμάκων αποτυγχάνει, με κάθε έργο να κοστίζει περισσότερα από 2 δισεκατομμύρια δολάρια.
Και
αυτός ο αριθμός δεν περιλαμβάνει καν ενώσεις που βρέθηκαν να είναι μη εφαρμόσιμες στο προκλινικό στάδιο. Με απλά λόγια, κάθε επιτυχημένο φάρμακο πρέπει να υποστηρίξει απόβλητα τουλάχιστον 18 δισεκατομμυρίων δολαρίων που δημιουργούνται από τα ανεπιτυχή αδέρφια του, κάτι που εγγυάται ότι οι λιγότερο επικερδείς θεραπείες για πιο σπάνιες καταστάσεις δεν δίνονται τόσο μεγάλη προσοχή όσο μπορεί να χρειάζονται.
Ο Δρ Nicola Richmond είναι Αντιπρόεδρος της Τεχνητής Νοημοσύνης στο
Καλοκάγαθος
, μια εταιρεία βιοτεχνολογίας που χρησιμοποιεί την τεχνητή νοημοσύνη στη διαδικασία ανακάλυψης φαρμάκων. Εξήγησε ότι το κλασικό σύστημα υποχρεώνει τους ερευνητές να βρουν, για παράδειγμα, μια
πρωτεΐνη
που δεν συμπεριφέρεται σωστά – την αιτία της ασθένειας – και στη συνέχεια να βρουν ένα μόριο που θα μπορούσε να την κάνει να συμπεριφέρεται. Μόλις βρουν ένα, πρέπει να πάρουν αυτό το μόριο σε μια μορφή που μπορεί να πάρει ο ασθενής και στη συνέχεια να ελέγξουν εάν είναι και ασφαλές και αποτελεσματικό.
Το
ταξίδι στις κλινικές δοκιμές σε έναν ζωντανό άνθρωπο ασθενή διαρκεί χρόνια, και συχνά είναι μόνο
έπειτα
οι ερευνητές ανακαλύπτουν ότι αυτό που λειτούργησε σε
θεωρία
δεν λειτουργεί σε
πρακτική
.
Η τρέχουσα διαδικασία απαιτεί «περισσότερο από μια δεκαετία και πολλαπλά δισεκατομμύρια δολάρια ερευνητικής επένδυσης για κάθε φάρμακο που εγκρίνεται», δήλωσε ο Δρ Κρις Γκίμπσον, συνιδρυτής του
Αναδρομή
, μια άλλη εταιρεία στον χώρο ανακάλυψης φαρμάκων AI. Λέει ότι η σπουδαία ικανότητα της τεχνητής νοημοσύνης μπορεί να είναι να αποφεύγει τις αστοχίες και να βοηθάει τους ερευνητές να μην ξοδεύουν πολύ καιρό τρέχοντας στα τυφλά σοκάκια. Σύμφωνα με τα λόγια του Gibson, μια πλατφόρμα λογισμικού που μπορεί να διεισδύσει σε εκατοντάδες επιλογές κάθε φορά, μπορεί να «αποτύχει πιο γρήγορα και νωρίτερα, ώστε να μπορείτε να προχωρήσετε σε άλλους στόχους».
Η Δρ Anne E. Carpenter είναι η ιδρύτρια του
Εργαστήριο Carpenter-Singh
στο Broad Institute του MIT και του Χάρβαρντ. Έχει περάσει πάνω από μια δεκαετία αναπτύσσοντας τεχνικές στο Cell Painting, έναν τρόπο για να τονίσει στοιχεία στα κύτταρα, με βαφές, για να τα κάνει ευανάγνωστα από έναν υπολογιστή. Είναι επίσης ο συν-προγραμματιστής του
Προφίλ κελιού
, μια πλατφόρμα που επιτρέπει στους ερευνητές να χρησιμοποιούν την τεχνητή νοημοσύνη για να καθαρίσουν τεράστιες συλλογές εικόνων αυτών των βαμμένων κυττάρων. Σε συνδυασμό, αυτή η εργασία διευκολύνει ένα μηχάνημα να δει πώς αλλάζουν τα κύτταρα όταν επηρεάζονται από την παρουσία ασθένειας ή θεραπείας. Και κοιτάζοντας κάθε μέρος του κυττάρου ολιστικά – μια πειθαρχία γνωστή ως «
ωμικά
” – υπάρχουν μεγαλύτερες ευκαιρίες για τη δημιουργία του είδους των συνδέσεων στις οποίες υπερέχουν τα συστήματα AI.
Η χρήση εικόνων ως τρόπος αναγνώρισης πιθανών θεραπειών φαίνεται λίγο αριστερό, καθώς η εμφάνιση των πραγμάτων δεν αντιπροσωπεύει πάντα πώς είναι τα πράγματα στην πραγματικότητα, σωστά; Ο Carpenter είπε ότι οι άνθρωποι ανέκαθεν έκαναν υποσυνείδητες υποθέσεις σχετικά με την ιατρική κατάσταση από την όρασή τους και μόνο. Εξήγησε ότι οι περισσότεροι άνθρωποι μπορεί να καταλήξουν στο συμπέρασμα ότι κάποιος μπορεί να έχει ένα χρωμοσωμικό πρόβλημα κοιτάζοντας μόνο το πρόσωπό του. Και οι επαγγελματίες κλινικοί γιατροί μπορούν να αναγνωρίσουν έναν αριθμό διαταραχών μόνο με την όραση, καθαρά ως συνέπεια της εμπειρίας τους. Πρόσθεσε ότι αν τραβούσες μια φωτογραφία του προσώπου όλων σε έναν δεδομένο πληθυσμό, ένας υπολογιστής θα μπορούσε να αναγνωρίσει μοτίβα και να τα ταξινομήσει με βάση κοινά χαρακτηριστικά.
Αυτή η λογική ισχύει για τις εικόνες των κυττάρων, όπου είναι δυνατό για έναν ψηφιακό παθολόγο να συγκρίνει εικόνες από υγιή και νοσούντα δείγματα. Εάν ένας άνθρωπος μπορεί να το κάνει, τότε θα πρέπει να είναι πιο γρήγορο και πιο εύκολο να χρησιμοποιήσει έναν υπολογιστή για να εντοπίσει αυτές τις διαφορές στην κλίμακα, εφόσον είναι ακριβής. «Επιτρέπετε σε αυτά τα δεδομένα να αυτοσυναρμολογούνται σε ομάδες και τώρα [you’re] αρχίζοντας να βλέπω μοτίβα», εξήγησε, «όταν θεραπεύουμε [cells] με 100.000 διαφορετικές ενώσεις, μία προς μία, μπορούμε να πούμε «εδώ είναι δύο χημικές ουσίες που
μοιάζουν πραγματικά μεταξύ τους
Και αυτό το να μοιάζουν πραγματικά μεταξύ τους δεν είναι απλώς σύμπτωση, αλλά φαίνεται να είναι ενδεικτικό του πώς συμπεριφέρονται.
Σε ένα παράδειγμα, ο Carpenter ανέφερε ότι δύο διαφορετικές ενώσεις θα μπορούσαν να παράγουν παρόμοια αποτελέσματα σε ένα κύτταρο και κατ’ επέκταση θα μπορούσαν να χρησιμοποιηθούν για τη θεραπεία της ίδιας πάθησης. Αν ναι, τότε μπορεί να είναι ότι ένα από τα δύο – που μπορεί να μην προοριζόταν για αυτόν τον σκοπό – έχει λιγότερες επιβλαβείς παρενέργειες. Έπειτα, υπάρχει το πιθανό όφελος να μπορούμε να προσδιορίσουμε κάτι που δεν γνωρίζαμε ότι επηρεαζόταν από ασθένεια. «Μας επιτρέπει να πούμε, «ε, υπάρχει αυτό το σύμπλεγμα έξι γονιδίων, πέντε από τα οποία είναι πολύ γνωστό ότι αποτελούν μέρος αυτού του μονοπατιού, αλλά το έκτο, δεν ξέραμε τι έκανε, αλλά τώρα έχουμε ένα ισχυρή ένδειξη ότι εμπλέκεται στην ίδια βιολογική διαδικασία». «Ίσως αυτά τα άλλα πέντε γονίδια, για οποιονδήποτε λόγο, να μην είναι από μόνα τους σπουδαίοι άμεσοι στόχοι, ίσως οι χημικές ουσίες να μην δεσμεύονται», είπε, «αλλά το έκτο [could be] πραγματικά υπέροχο για αυτό.”
Σε αυτό το πλαίσιο, οι νεοφυείς επιχειρήσεις που χρησιμοποιούν τεχνητή νοημοσύνη στις διαδικασίες ανακάλυψης φαρμάκων ελπίζουν ότι θα μπορέσουν να βρουν τα διαμάντια που κρύβονται σε κοινή θέα. Ο Δρ Ρίτσμοντ είπε ότι η προσέγγιση της Benevolent είναι η ομάδα να επιλέξει μια ασθένεια που μας ενδιαφέρει και στη συνέχεια να διατυπώσει μια βιολογική ερώτηση γύρω από αυτήν. Έτσι, στην αρχή ενός έργου, η ομάδα μπορεί να αναρωτηθεί αν υπάρχουν τρόποι αντιμετώπισης του ALS βελτιώνοντας ή διορθώνοντας τον τρόπο που λειτουργεί το σύστημα καθαριότητας ενός κυττάρου. (Για να είμαστε σαφείς, αυτό είναι ένα καθαρά υποθετικό παράδειγμα που δόθηκε από τον Δρ. Ρίτσμοντ.)
Αυτή η ερώτηση στη συνέχεια εκτελείται μέσω των μοντέλων AI της Benevolent, τα οποία συγκεντρώνουν δεδομένα από μια μεγάλη ποικιλία πηγών. Στη συνέχεια, παράγουν μια ταξινομημένη λίστα πιθανών απαντήσεων στην ερώτηση, η οποία μπορεί να περιλαμβάνει νέες ενώσεις ή υπάρχοντα φάρμακα που θα μπορούσαν να προσαρμοστούν ανάλογα. Τα δεδομένα στη συνέχεια πηγαίνουν σε έναν ερευνητή, ο οποίος μπορεί να εξετάσει ποια, εάν υπάρχει, βαρύτητα να δώσει στα ευρήματά του. Ο Δρ Ρίτσμοντ πρόσθεσε ότι το μοντέλο πρέπει να παρέχει στοιχεία από υπάρχουσα βιβλιογραφία ή πηγές για να υποστηρίξει τα ευρήματά του, ακόμη κι αν οι επιλογές του είναι εκτός αριστερού πεδίου. Και ότι, ανά πάσα στιγμή, ο άνθρωπος έχει τον τελευταίο λόγο για το ποια από τα αποτελέσματά του πρέπει να επιδιωχθεί και πόσο δυναμικά.
Είναι μια παρόμοια κατάσταση στο Recursion, με τον Dr. Gibson να ισχυρίζεται ότι το μοντέλο του είναι πλέον ικανό να προβλέψει «πώς οποιοδήποτε φάρμακο θα αλληλεπιδράσει με οποιαδήποτε ασθένεια χωρίς να χρειάζεται να το δοκιμάσει σωματικά». Το μοντέλο έχει πλέον σχηματίσει περίπου τρία τρισεκατομμύρια προβλέψεις που συνδέουν πιθανά προβλήματα με τις πιθανές λύσεις τους με βάση τα δεδομένα που έχει ήδη απορροφήσει και προσομοιώσει. Ο Gibson είπε ότι η διαδικασία στην εταιρεία μοιάζει τώρα με μια αναζήτηση στο διαδίκτυο: Οι ερευνητές κάθονται σε ένα τερματικό, «πληκτρολογούν ένα γονίδιο που σχετίζεται με τον καρκίνο του μαστού και [the system] κατοικεί όλα τα άλλα γονίδια και ενώσεις που [it believes are] σχετίζεται με.”
«Αυτό που είναι συναρπαστικό», είπε ο Δρ Γκίμπσον, «είναι πότε [we] δείτε ένα γονίδιο που κανείς δεν έχει ακούσει ποτέ στη λίστα, το οποίο μοιάζει με νέα βιολογία, επειδή ο κόσμος δεν έχει ιδέα ότι υπάρχει». Μόλις εντοπιστεί ένας στόχος και ελεγχθούν τα ευρήματα από έναν άνθρωπο, τα δεδομένα θα διαβιβαστούν στο εσωτερικό επιστημονικό εργαστήριο της Recursion. Εδώ, οι ερευνητές θα εκτελέσουν αρχικά πειράματα για να δουν εάν αυτό που βρέθηκε στην προσομοίωση μπορεί να αναπαραχθεί στον πραγματικό κόσμο. Ο Δρ Γκίμπσον είπε ότι το υγρό εργαστήριο της Recursion, το οποίο χρησιμοποιεί αυτοματισμό μεγάλης κλίμακας, είναι ικανό να εκτελέσει περισσότερα από δύο εκατομμύρια πειράματα σε μια εργάσιμη εβδομάδα.
«Περίπου έξι εβδομάδες αργότερα, με πολύ λίγη ανθρώπινη παρέμβαση, θα έχουμε τα αποτελέσματα», είπε ο Δρ. Γκίμπσον και, εάν πετύχει, τότε η ομάδα θα «αρχίσει πραγματικά να επενδύει». Επειδή, μέχρι αυτό το σημείο, η σύντομη περίοδος εργασιών επικύρωσης κοστίζει στην εταιρεία «πολύ λίγα χρήματα και χρόνο για να αποκτήσει». Η υπόσχεση είναι ότι, αντί για μια τριετή προκλινική φάση, ολόκληρη αυτή η διαδικασία μπορεί να περιοριστεί σε μερικές αναζητήσεις στη βάση δεδομένων, σε κάποια επίβλεψη και στη συνέχεια σε μερικές εβδομάδες ex vivo δοκιμών για να επιβεβαιωθεί εάν οι προκαταλήψεις του συστήματος αξίζουν πραγματική προσπάθεια να ανακρίνει. Ο Δρ Γκίμπσον είπε ότι πιστεύει ότι χρειάστηκε «ένα χρόνο δουλειάς για μοντέλα ζώων και [compressed] είναι, σε πολλές περιπτώσεις, σε δύο μήνες».
Φυσικά, δεν υπάρχει ακόμη μια συγκεκριμένη ιστορία επιτυχίας, καμία περίεργη θεραπεία που οποιαδήποτε εταιρεία σε αυτόν τον χώρο μπορεί να επισημάνει ως επικύρωση της προσέγγισης. Αλλά η Recursion μπορεί να αναφέρει ένα πραγματικό παράδειγμα για το πόσο κοντά έφτασε η πλατφόρμα της στο να ταιριάζει με την επιτυχία μιας κριτικής μελέτης. Τον Απρίλιο του 2020, το Recursion έτρεξε το
Η ακολουθία COVID-19 μέσω του συστήματός του για να εξετάσει τις δυνατότητες
θεραπείες. Εξέτασε τόσο φάρμακα εγκεκριμένα από την FDA όσο και υποψηφίους σε κλινικές δοκιμές τελικού σταδίου. Το σύστημα παρήγαγε μια λίστα με εννέα πιθανούς υποψηφίους που θα χρειάζονταν περαιτέρω ανάλυση, οκτώ από τους οποίους θα αποδεικνυόταν αργότερα ότι ήταν σωστοί. Είπε επίσης ότι η Hydroxychloroquine και η Ivermectin, αμφότερες που είχαν καταρριφθεί πολύ τις πρώτες ημέρες της πανδημίας, θα πέφτουν.
Και υπάρχουν φάρμακα με πληροφόρηση για την τεχνητή νοημοσύνη και τα οποία επί του παρόντος υποβάλλονται σε πραγματικές κλινικές δοκιμές αυτή τη στιγμή. Η αναδρομή είναι
στοχεύοντας σε
πέντε έργα που επί του παρόντος ολοκληρώνουν το πρώτο στάδιο (δοκιμές σε υγιείς ασθενείς) ή εισέρχονται στο δεύτερο στάδιο (δοκιμές σε άτομα με τις εν λόγω σπάνιες ασθένειες) κλινικές δοκιμές αυτή τη στιγμή. Η καλοπροαίρετη έχει ξεκινήσει α
πρώτο στάδιο της δοκιμής του BEN-8744
μια θεραπεία για
ελκώδης κολίτιδα
που μπορεί να βοηθήσει με άλλες φλεγμονώδεις διαταραχές του εντέρου. Και το BEN-8744 στοχεύει έναν αναστολέα που δεν έχει προηγούμενες συσχετίσεις στην υπάρχουσα έρευνα, ο οποίος, εάν είναι επιτυχής, θα προσθέσει βάρος στην ιδέα ότι τα AI μπορούν να εντοπίσουν τις συνδέσεις που έχουν χάσει οι άνθρωποι. Φυσικά, δεν μπορούμε να βγάλουμε συμπεράσματα τουλάχιστον μέχρι τις αρχές του επόμενου έτους, όταν θα ανακοινωθούν τα αποτελέσματα αυτών των αρχικών δοκιμών.
Υπάρχουν πολλά αναπάντητα ερωτήματα, συμπεριλαμβανομένου του πόσο πρέπει να βασιζόμαστε στην τεχνητή νοημοσύνη ως τον μοναδικό κριτή του αγωγού ανακάλυψης φαρμάκων. Υπάρχουν επίσης ερωτήματα σχετικά με την ποιότητα των δεδομένων εκπαίδευσης και τις προκαταλήψεις στις ευρύτερες πηγές γενικότερα. Ο Δρ Ρίτσμοντ τόνισε τα ζητήματα σχετικά με τις προκαταλήψεις στις πηγές γενετικών δεδομένων τόσο όσον αφορά την ομοιογένεια των κυτταρικών καλλιεργειών όσο και τον τρόπο με τον οποίο πραγματοποιούνται αυτές οι δοκιμές. Ομοίως, η Δρ Κάρπεντερ είπε τα αποτελέσματα του πιο πρόσφατου έργου της, το διαθέσιμο στο κοινό
JUMP-Cell Painting
του έργου, βασίστηκαν σε κύτταρα από έναν μόνο συμμετέχοντα. «Το επιλέξαμε με καλό λόγο, αλλά εξακολουθεί να είναι ένας άνθρωπος και ένας τύπος κυττάρων από αυτόν τον άνθρωπο». Σε έναν ιδανικό κόσμο, θα είχε ένα πολύ μεγαλύτερο εύρος συμμετεχόντων και τύπων κυττάρων, αλλά τα ζητήματα αυτή τη στιγμή επικεντρώνονται στη χρηματοδότηση και τον χρόνο, ή πιο κατάλληλα, την απουσία τους.
Αλλά, προς το παρόν, το μόνο που μπορούμε να κάνουμε είναι να περιμένουμε τα αποτελέσματα αυτών των πρώιμων δοκιμών και να ελπίζουμε ότι θα αποδώσουν καρπούς. Όπως κάθε άλλη πιθανή εφαρμογή της τεχνητής νοημοσύνης, η αξία της θα στηρίζεται σε μεγάλο βαθμό στην ικανότητά της να βελτιώνει την ποιότητα της εργασίας – ή, πιο πιθανό, να βελτιώνει τα αποτελέσματα για την εν λόγω επιχείρηση. Ωστόσο, εάν η τεχνητή νοημοσύνη μπορεί να κάνει τις αποταμιεύσεις αρκετά ελκυστικές, τότε ίσως εκείνες οι ασθένειες που δεν είναι πιθανό να καλύψουν τις επενδυτικές απαιτήσεις στο πλαίσιο του τρέχοντος συστήματος να έχουν μια ευκαιρία. Θα μπορούσε όλα να καταρρεύσουν σε μια ριπή διαφημιστικής εκστρατείας ή μπορεί να προσφέρει πραγματική ελπίδα σε οικογένειες που αγωνίζονται για
βοήθεια
ενώ αντιμετωπίζουν μια σπάνια διαταραχή.
Αυτό το άρθρο εμφανίστηκε αρχικά στο Engadget στη διεύθυνση https://www.engadget.com/ai-is-coming-for-big-pharma-150045224.html?src=rss
VIA:
engadget.com
