Применение искусственного интеллекта для создания лекарств

Искусственный интеллект научился создавать лекарства с нуля

Инженеры из Школы фармацевтики при Университете Каролины создали искусственный интеллект, который способен создавать новые лекарства с нуля без помощи человека. Разработка описана в журнале «EurekAlert!».

Разработка новых фармацевтических препаратов происходит благодаря изменению молекул. Химики выбирают целевую молекулу с известным потенциалом, а затем вручную «настраивают» ее для борьбы с конкретным заболеванием — повышают потенцию и избавляют от свойств, которые могут нанести вред организму.

Во время этого процесса ученые добавляют и исключают атомы и связи, отвечающие за определенные химические реакции. Каждая такая операция занимает несколько часов — в результате разработка лекарств отнимает много времени и сил.

«Ученик» обучается навыкам создания лекарств и со временем предлагает более удачные молекулы, которые могут стать основой для новых препаратов.

Обратите внимание

В основе нейросетей лежит система ReLeaSE — вычислительный метод, широко используемый фармацевтической промышленностью для выявления жизнеспособных кандидатов на лекарства.

Ученые использовали ReLeaSE для разработки молекул с индивидуальными физическими свойствами, такими как температура плавления и растворимость в воде, и для разработки новых соединений с ингибирующей активностью против фермента, связанного с лейкемией.

Ранее исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (MIT) создаликомпьютерную модель, способную автоматизировать процесс производства молекул для новых лекарств. Система сокращает время на модификацию молекул для противодействия конкретным возбудителям заболевания — сейчас это самая трудозатратная часть процесса.

Ученые из Стенфордского университета разработали систему Decagon, которая на основе искусственного интеллекта прогнозирует, какие побочные действия может вызвать одновременный прием нескольких препаратов. Об этом пишетEurekAlert.

В июне 23% американцев одновременно принимали два и более рецептурных препарата, а 39% граждан страны в возрасте от 65 лет — пять и более препаратов.

Часто врачи не могут сказать, к каким побочным эффектам приведет сочетание нескольких лекарств.

И проблема не в квалификации медиков — объем продаваемых в США лекарств настолько велик, что определить эффект от сочетания всех лекарств не представляется возможным.

Сейчас Decagon способен анализировать влияние на организм двух препаратов. Ученые рассчитывают, что в будущем система сможет обрабатывать и более сложные схемы.

Важно

Ранее робот-ученый Eve, разработанный инженерами Кембридского университета, помог найти новое лекарство от малярии. Им оказался триклозан — вещество, которое борется с бактериями в полости рта и является обычным ингредиентом зубной пасты.

Исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (MIT) создали компьютерную модель, способную автоматизировать процесс производства молекул для новых лекарств. Система сокращает время на модификацию молекул для противодействия конкретным возбудителям заболевания — сейчас это самая трудозатратная часть процесса. Об этом пишет Eurekalert.

Разработка новых фармацевтических препаратов происходит благодаря изменению молекул. Химики выбирают целевую молекулу с известным потенциалом, а затем вручную «настраивают» ее для борьбы с конкретным заболеванием — повышают потенцию и избавляют от свойств, которые могут нанести вред организму.

Во время этого процесса ученые добавляют и исключают атомы и связи, отвечающие за определенные химические реакции. Каждая такая операция занимает несколько часов — в результате разработка лекарств отнимает много времени и сил.

Ранее исследователи из MIT разработали устройство для доставки лекарств в мозг. Это позволит лечить заболевания, которые затрагивают специфические мозговые цепи, не касаясь остальной части мозга.

Источник: http://islam.kz/ru/news/nauka/iskusstvennyi-intellekt-nauchilsya-sozdavat-lekarstva-s-nulya-7686/

Перспективные применения искусственного интеллекта для продления жизни — Мир прогнозов

Продолжаем  цикл статей о том, какую роль искусственный интеллект сыграет в деле продления жизни.

Борьба со старением как самое эффективное средство продления жизни

В настоящий момент все осознают, что целью индустрии здравоохранения является не только лечение заболеваний, но и в целом продление периода здоровой жизни.

Разные применения искусственного интеллекта в медицине обладают разным влиянием на срок жизни. К примеру, борьба с редкими заболеваниями или с поздними стадиями рака не приведёт к значительному увеличению общей длины жизни в целом.

Совет

Главные причины смерти в США это сердечно-сосудистые заболевания (23,1% случаев смерти от заболеваний сердца, 5,1% случаев инсульта), это рак (22,5%), это хронические заболевания нижних дыхательных путей (5,6%) и это болезнь Альцгеймера (3,6%).

В совокупности данные болезни вызывают в США 59,9% всех смертей. Вероятность данных заболеваний увеличивается с возрастом экспоненциально в соответствии с законом Гомпертца (Gompertz).

Более 75% всех смертей приходится на людей в возрасте от шестидесяти пяти лет и старше.

Разные исследователи считают, что старение это основная причина смерти, и, если мы сумеем процесс старения замедлить, то мы уменьшим вероятность возрастных заболеваний и продлим продолжительность здоровой жизни человека. Эксперименты демонстрируют, что даже обычные интервенции замедляют процесс старения и отдаляют возникновение смертельных заболеваний, продлевая продолжительность жизни для червей C. Elegans, крыс и мышей.

Описываемые эксперименты, проводившиеся на животных, включали довольно простые интервенции, к примеру, низкокалорийную диету или введение давно известных продляющих здоровую жизнь лекарств (к примеру, рапамицин и метформин). Подобные препараты называются геропротекторами.

К сожалению, клинических тестов свойств продления жизни геропротекторов на людях — очень мало, даже несмотря на то, что описанные интервенции довольно часто используются в борьбе с другими заболеваниями (к примеру, лечение диабета метформином), это говорит об их безопасности.

Клинические тесты на людях довольно давно можно было бы начать, но этого не произошло из-за ряда экономических и социальных препятствий.

Конечно, подобные эксперименты потребовали бы очень большого количества времени (лонгитюдные исследования занимают десятки лет), и группы тестируемых людей должны были бы быть большими.

Но в классической медицине невозможно позволить подобную роскошь как десятилетиями или веками проводить один эксперимент.

Люди умирают именно сейчас, так что надо как можно скорее  найти способы продлять человеческую жизнь — и доказать, что данные способы работают.

Обратите внимание

Хорошо известный метод — это искать биомаркеры старения и отслеживать их изменения от различных интервенций. Таким образом можно было бы утверждать, что да, данный метод замедления старения хорошо работает.

Иначе говоря, чтобы процесс старения замедлить, нам, во-первых, надо найти эффективные геропротекторы и их комбинации, а во-вторых, для того, чтобы доказать, что они функционируют, нам надо найти достоверные биомаркеры старения.

Есть множество других интересных идей в области борьбы со старением. Среди них — стволовые клетки, генная терапия,  «стратегии спроектированного незначительного старения» (Strategies for Engineered Negligible Senescence, SENS). Пока мы ограничимся описанием методов создания геропротекторов и выявления биомаркеров, которые основаны на искусственном интеллекте.

Сейчас была только лишь одна попытка использовать искусственный интеллект для выявления биомаркеров старения. Нейронные сети обучали на большой выборке образцов крови, которые  принадлежали людям разных возрастов.

Биомаркеры старения как вычислительная задача

Биомаркеры старения — это количественные характеристики, которые на основе текущего состояния организма человека предсказывают ожидаемую продолжительность жизни.

Данный показатель можно сопоставить «биологическому возрасту» (который может быть больше или меньше реального возраста) так что: ожидаемая продолжительность жизни — это разница между средней продолжительностью жизни для вида и биологическим возрастом человека.

Различные биомаркеры старения обладают разной прогностической способностью. К примеру, седые волосы являются маркером старения, но имеет со смертностью низкую корреляцию.

Хорошие биомаркеры старения должны быть связаны непосредственно с потенциальной причиной смерти. Цвет волос напрямую не связан с потенциальной причиной смерти (вообще можно покрасить волосы, и это не повлияет никак на ожидаемую продолжительность жизни). А вот, к примеру, артериальное давление, некоторые генетические мутации, связаны со смертностью.

Важно

Так, они хорошие биомаркеры старения. Так как старение — это очень сложный процесс, степень старения нельзя выразить одним числом; для этого понадобится довольно большой массив параметров.

Биомаркеры старения также должны быть обратимыми: если процесс старения был обращён вспять, то соответствующие биомаркеры должны измениться определённым образом (к примеру, может уменьшиться их показатель).

Есть два способа поиска биомаркеров старения: первый — моделирование процессов старения и второй — это использование статистики. Дополнительно можно измерять также изменения кривой смертности Гомперца, то есть использовать количество смертей в популяции как биомаркер старения (но чтобы отследить изменения в кривой, понадобится информация о миллионах людей).

При помощи носимых устройств можно записывать время приёма лекарств и следование конкретному типу лечения, то есть, собирать и централизовано хранить большое количество записей о лечении пациентов и сопровождать это данными о генетике, поведенческой и физической активности человека. Подобная централизация и аккумуляция данных предоставит большую информационную базу для когортных исследований, таким образом они станут иметь большую доказательную ценность.

Интерпретация информации, собираемой с носимых устройств, возможно потребует использования мощного искусственного интеллекта. К примеру, для нахождения биомаркеров старения можно пользоваться методом машинного обучения «обучение без учителя» — искусственный интеллект сумеет сопоставлять некоторые группы параметров здоровья определённым признакам биологического старения.

Далее, анализ изменения параметров поможет обнаружить реальные биомаркеры. К примеру, компания Gero занимается сетями генной стабильности.

Другое применение искусственного интеллекта в борьбе со старением — это создание новых геропротекторов на базе анализа типов клеток, типов старения и молекулярных свойств. Геропротекторами могут быть как лекарства, так и генетические интервенции, — к примеру, вставка новых генов в геном или изменение экспрессии существующих генов (эпигеномика).

Пятьсот тысяч британских пенсионеров пожертвовали свою кровь в Biobank , сопроводив её анонимизированными данными о том, какую терапию они проходят.

 Biobank в настоящий момент секвенирует их геномы, а потом публике будет предоставлен открытый доступ ко всем результирующим данным, а это — богатый материал для разного рода алгоритмов машинного обучения.

Совет

Наиболее перспективным является поиск генных сетей, которые обуславливают старение. Подобные проекты сейчас проходят в Эстонии и Исландии.

Проблема вычислений комбинаций геропротекторов

Ряд лекарств продлевает мышам жизнь, т. е. замедляет процесс их старения. Однако большинство из данных препаратов дают лишь 10—15% увеличение продолжительности жизни.

Для людей подоьные лекарства будут ещё менее эффективны (станут давать около 5% продления), так как продлить жизнь долгоживущим видам намного сложнее, чем короткоживущим, подобные виды хуже реагируют на хорошо изученные геропротекторы.

Но можно объединить сразу несколько геропротекторов. Исследования на мышах демонстрируют, что подобным образом можно добиться усиления эффекта.

В недавних исследованиях был использован сложный алгоритм тестирования, чтобы найти те три вещества, которые продляли бы жизнь мух и червей на максимальный срок. Этот алгоритм был вручную разработан, и скорее всего искусственный интеллект поможет нам разработать лучший алгоритм тестирования, чем этот.

Несмотря на то, что комбинированный приём некоторых геропротекторов работает довольно хорошо, другие геропротекторы могут быть друг с другом несовместимы, а их совместный приём в большой степени аннигилирует их эффект.

Следовательно, первым делом необходимо будет протестировать все пары известных геропротекторов, а потом и более сложные комбинации.

Для тестирования всех комбинаций из десяти геропротекторов потребуется 1024 эксперимента, а для двадцати геропротекторов количество экспериментов будет больше миллиона (заметим, что в комбинации можно варьировать дозировку, что увеличивает также количество требуемых экспериментов). Все данные эксперименты практически невозможно провести, так как не хватило финансирования даже для тестирования одной комбинации геропротекторов на мышах (см. кампанию lifespan.io).

Обратите внимание

Задача поиска в огромном пространстве похожа на сложную настольную игру с огромным пространством возможных ходов, к примеру, го. Недавний успех AlphaGo говорит о том, что поиск успешных комбинаций может быть упрощён.

Читайте также:  Интересные исторические факты о роботах

Следовательно, потребуется намного меньшее количество экспериментов для определения оптимальной комбинации геропротекторов. Принцип, на который опирается AlphaGo, заключается в том, что нейронная сеть, обученная на большом количестве предыдущих игр, выбирает наиболее перспективные комбинации ходов.

Аналогично, нейронную сеть можно научить на базе свойств веществ, полученных из библиотеки свойств веществ, прогнозировать их влияние на здоровье человека. Такой подход уже используется для обнаружения геропротекторов и для прогнозирования токсичности.

 Toxcast — масштабный проект, спонсируемый правительством США, в котором исследователи задаются целью использовать машинное обучение для прогнозирования токсичности различных химических веществ.

Чтобы улучшить качество результатов экспериментов, необходимо также в процессе тестирования геропротекторов записывать различные параметры организма тестируемых (например, состав крови, физическую активность, показания электроэнцефалографии). Это позволило бы выявлять биомаркеры старения прямо по ходу процедуры тестирования.

Как правило, задача поиска геропротекторов сводится к задаче поиска глобального минимума функции десяти (или более) переменных, которая легко решается с помощью алгоритмов машинного обучения.

Биомаркеры старения можно искать подобным образом. С математической точки зрения, задача тоже сводится к поиску глобального минимума функции многих переменных. Этот же механизм можно использовать и для расчёта конкретных генетических интервенций для отдельного человека (можно учесть генетические характеристики, его возраст, показатели биомаркеров).

В этой области работают компании Gero, Calico, Институт исследований старения Бака (The Buck Institute for Research on Aging, Калифорния, США) и др. Жоау Педро де Магалханес (João Pedro de Magalhães) использовал алгоритм машинного обучения random forest для прогнозирования свойств веществ, продлевающих жизнь.

Важно

Кроме того, существует несколько проектов по поиску эффективных комбинаций большого числа геропротекторов. Для этого используют нейронные сети, изначально разработанные для других задач:

— Проект AtomNet предсказывает свойства химических веществ с помощью свёрточных нейронных сетей;

— В статье E. Pyzer-Knapp et al.  многослойная нейронная сеть использована для прогнозирования электрических свойств новых молекул;

Источник: http://www.MirPrognozov.ru/prognosis/science/perspektivnyie-primeneniya-iskusstvennogo-intellekta-dlya-prodleniya-zhizni/

Искусственный интеллект в медицине и биологии. Обзор за ноябрь 2018

Это ежемесячный обзор наиболее важных и интересных новостей от экспертной группы проекта Технологии Долголетия по направлению “Искусственный интеллект в медицине и биологии”

Общее быстрое развитие технологий, исследований и разработок в области применения искусственного интеллекта (ИИ) приводит к появлению соответствующих разработок в медицинских технологиях, росту инвестиции в проекты, связанные с ИИ, в медицине и биологии.

IT-компании активно создают биомедицинские подразделения, так как видят большой потенциал в применении ИИ для развития здравоохранения.

Наиболее практическое применение находят технологии машинного обучения и нейросетей для создания систем автоматизированной диагностики заболеваний. Также развиваются технологии создания лекарственных препаратов на основе моделирования.

Созданы и развиваются системы анализа биомаркеров различного типа. Огромную перспективу имеет создание моделей живых организмов, включая полную модель организма человека.

Отдельный интерес представляет использование технологий машинного интеллекта для увеличения эффективности исследований, прямого научного поиска средств продления жизни, начиная с простейших алгоритмических механизмов для аналитики научных публикаций.

Суперкомпьютер способен имитировать мозг мыши

После 12 лет работы исследователи из Манчестерского университета в Англии завершили строительство суперкомпьютера «SpiNNaker» (Spiking Neural Network Architecture), который позволяет имитировать внутреннюю работу миллиарда нейронов посредством колоссальных вычислительных ресурсов.

По словам авторов проблема цифрового моделирования мозга заключается в коммуникации нейронных сигналов, а не в вычислительных способностях системы. Решением задачи послужила разработанная массивная параллельная архитектура, в которой каждое из миллионов ядер способно отправлять небольшие «пакеты» информации (всего до 72 бит), маршрутизируемые внутренней сетью.

С этой архитектурой суперкомпьютер может легко имитировать 100 миллионов нейронов внутри мозга мыши.

Источник:
https://www.manchester.ac.uk/discover/news/human-brain-supercomputer-with-1million-processors-switched-on-for-first-time/

Алгоритм глубокого обучения обнаруживает болезнь Альцгеймера на шесть лет раньше, чем современные диагностические методы

Одним из самых современных, диагностических инструментов, с помощью которого можно определить наступление болезни Альцгеймера, является сканирование FET-фторооксиглюкозой (FDG-PET).

Совет

Это сканирование традиционно используется для выявления нескольких видов рака, но в последние годы оказалось полезным для выявления болезни Альцгеймера, а также нескольких других видов деменции.

По словам исследователей новая технология глубокого обучения имеет возможность идентифицировать более тонкие шаблоны в плотных данных.

Алгоритм был протестирован на небольшом, независимом наборе сканирований мозга, предсказав каждый отдельный случай, который приводил к болезни Альцгеймера в среднем на шесть лет раньше, чем болезнь была в конечном итоге диагностирована. По этой метрике алгоритм значительно превзошел человеческий фактор.

Источник:
https://www.rsna.org/en/news/2018/November-December/Artificial%20Intelligence%20Predicts%20Alzheimers%20Years%20Before%20Diagnosis

Искусственный интеллект обошел врачей в чтении рентгеновских снимков

Алгоритм под названием CheXNeXt — это первый алгоритм в мире, который может оценивать рентгеновские снимки на наличие признаков множества заболеваний одновременно и выдавать результаты, которые вполне соответствуют выводам профессиональных рентгенологов.

Задача исследователей — довести алгоритм до совершенства, чтобы он мог надежно и быстро сканировать широкий диапазон медицинских изображений и снимков на признаки заболеваний, причем без помощи профессиональных рентгенологов.

Для самих рентгенологов это не очень хорошая новость, но такая технология, по словам ее создателей, поможет обеспечить регионы с низким уровнем врачебной помощи высококачественными цифровыми «консультациями» там, где соответствующих специалистов просто нет.

Алгоритмы, вроде CheXNeXt, однажды могут помочь врачам-диагностам быстрее ставить диагноз и не тратить лишнее время на консультации с другими врачами.

Источник:
https://medicalxpress.com/news/2018-11-ai-outperformed-radiologists-screening-x-rays.html

FDA одобрило систему искусственного интеллекта для диагностики кровотечений в мозге

Система Accipio Ix от компании MaxQ AI способна детектировать внутричерепное и внутримозговое кровотечение по компьютерной томографии без контраста. Совсем недавно это решение получило одобрение к применению в клинической практике от FDA. Об этом сообщает пресс-релиз израильско-американской компании.

Эта программа может быть без труда интегрирована в томограф и систему PACS*, используя отраслевой стандарт DICOM. Она обрабатывает все КТ головы автоматически в фоновом режиме, без участия врача, и может выявить мельчайшие геморрагии за 3-5 минут по окончанию сканирования.

Если кровоизлияние обнаружено, пациенту выдается высший приоритет, и уже дальше с ним работают профильные специалисты.

Источник:
https://www.maxq.ai/downloads/MaxQ-AI-FDA-Approval-Accipio-Ix-Press%20Release_FINAL%20v2.pdf

Создан прототип для проверки качества детского питания и алкоголя на основе ИИ

Специалисты MIT Media Lab разработали беспроводную систему, позволяющую без особых дополнительных затрат проверять качество пищевых продуктов.

В ее состав входит считывающее устройство, отмечающее незначительные изменения в беспроводном сигнале, который излучает RFID-метка при взаимодействии с пищевыми продуктами.

Обратите внимание

Прототип разработан для детского питания и алкоголя, но может использоваться и для определения свежести практически любых продуктов питания, в супермаркетах или умных холодильниках.

Источник: http://news.mit.edu/2018/food-safety-rfid-detection-consumers-1114

Машинное обучение позволяет CRISPR редактировать геном

Группа ученых из Массачусетского Технологического Института (MIT) разработала программу на основе искусственного интеллекта, которая просчитывает результат изменения генома. Это позволило ученым исправить ряд вредных мутаций в клетках человека при помощи CRISPR без дополнительного использования матрицы для редактирования.

Источник: https://www.nature.com/articles/s41586-018-0686-x

Источник: https://rlegroup.net/2018/12/02/iskusstvennyj-intellekt-nojabr-2018/

Искусственный интеллект для поиска новых лекарств и борьбы со старением

В ближайшие 5 лет мы сможем значительно увеличить и продуктивный период жизни, и продолжительность жизни в целом, убежден Александр Жаворонков, основатель известной американской компании Insilico Medicine и ее сколковской «дочки» «Инсилико».

Новый резидент биомедицинского кластера Фонда «Сколково» специализируется на применении технологий искусственного интеллекта для увеличения продуктивного периода жизни человека и трансформации фарминдустрии. По просьбе Sk.

ru Александр написал колонку об экономических последствиях долголетия и вкладе «Инсилико» в борьбу со старением

Помимо чисто альтруистических причин для увеличения продуктивного периода жизни существует и значительная экономическая мотивация.

В 2013 году мною была выпущена книга «Нестареющее поколение: как биомедицинский прогресс изменит глобальную экономику» (The AgelessGeneration: How advances in biomedicine will transform the global economy), следом за которой я опубликовал серию статей, доказывающих, что человечество оказалось на перепутье.

Первый путь — продлевать продуктивный период жизни и пользоваться выгодами от небывалого экономического роста. Второй — придерживаться существующей парадигмы и дожидаться того, как небольшие приросты к общей продолжительности жизни приведут к экономическому коллапсу и политической нестабильности.

В XX веке увеличение общего благосостояния в развитых странах и биомедицинский прогресс позволили удвоить ожидаемую продолжительность жизни. Но в конце столетия эти страны, так же, как их жители, начали тратить значительно больше, чем экономики государств могут себе позволить.

Результат — патологический дефицит бюджета, постоянная ставка на экономический рост в будущем и заимствование у следующих поколений.

Несмотря на значительное увеличение производительности труда в результате научно-технического прогресса многие страны находятся на грани экономической катастрофы.

В лаборатории Insilico Medicine. Фото предоставлено А. Жаворонковым. 

Посмотрим на США: государственный долг — 18 трлн долларов, продолжительность жизни — 79 лет. Оба показателя продолжают расти.

Важно

Но даже при нынешнем уровне продолжительности жизни приведенная стоимость дефицита бюджета будущих периодов оценивается в диапазоне от 60 до 300 млрд дол.

Если продолжительность жизни продолжит увеличиваться без значимого роста именно продуктивного периода жизни и изменений в государственном регулировании, дефицит станет ещё больше.

Эти денежные обязательства уже сейчас негативно влияют на курс доллара. Пока его спасает лишь накопленная репутация и относительная нестабильность других валют. Так как доллар используется на планете повсеместно, он де-факто стал мировой валютой и одной из самых значимых статей американского экспорта.

Экономики других развитых и развивающихся стран сильно зависят от экономического роста в США.

Парадоксально, что Россия, Китай и другие геополитические оппоненты Соединенных Штатов могут поддержать свою экономическую стабильность за счет продления продуктивного периода жизни не только в своих странах, но и в США.

Читайте также:  Финансовый аналитик против искусственного интеллекта: противостояние начинается…

Возможность экономического коллапса и срочная необходимость в глобальном экономическом росте оказались в числе тех причин, по которым я начал искать самый быстрый подход к увеличению продуктивного долголетия.

В свободное время я развиваю ресурс, который называется «Международное портфолио исследований старения» (International Aging Research Portfolio, IARP). Мы отслеживаем более 1 трлн долларов биомедицинских грантов за последние 25 лет.

Совместно с командой коллег-ученых мы наблюдаем за биомедицинским прогрессом ещё до того, как он доходит до стадии  публикаций. Всё началось с нескольких миллиардов долларов в год в начале 1990-х, сейчас же это уже сотни миллиардов.

Совет

Вдобавок к этому правительство Китая в текущую пятилетку решило инвестировать более чем 300 млрд в биомедицинские исследования и соответствующую инфраструктуру.

А. Жаворонков. Фото из личного альбома. 

Александр Жаворонков родился в Риге, программированию учился в Канаде, там же окончил школу бизнеса. Сделав успешную карьеру в компьютерной сфере, решил реализовать давнюю мечту — стал заниматься биоинформатикой.

Окончил магистратуру американского Университета имени Джонcа Хопкинса и кафедру биофзики физического факультета МГУ, на физфаке же защитил кандидатскую. Создал несколько компаний.

Одна из них, базирующаяся в Балтиморе Insilico Medicine, ищет механизмы, препятствующие старению и направленные против зависимых от возраста заболеваний.

Одним из преимуществ исследований, финансируемых государством, является тот факт, что их результаты должны быть опубликованы. Таким образом, другие ученые могут пользоваться данными, в получение которых вложены сотни миллиардов долларов.

В Aging Portfolio мы поняли, во-первых, что многие области научного знания (онкологические заболевания, регенеративная медицина, исследования заболевания Альцгеймера и синдрома Паркинсона) также в значительной степени могут внести вклад в исследования старения и, во-вторых, что эти данные можно агрегировать, чтобы делать большие шаги в развитии биогеронтологии.

Также довольно быстро стало понятно, что для работы с такими огромными массивами информации просто необходим искусственный интеллект.

Поэтому наша команда решила сфокусироваться на биоинформатике и применении искусственного интеллекта в целом, в противовес проработке какой-либо одной теории старения или долголетия. Гораздо интереснее работать с тысячами молекул, а не с одной, и иметь возможность входить практически в любую область научных исследований, как только она становится достаточно зрелой.

Прогресс в применении искусственного интеллекта быстро меняет многие аспекты нашей повседневной жизни, включая распознавание образов, беспилотные автомобили, робототехнику и даже искусство и музыку.

В 2015 году системы глубокого обучения по точности превзошли человека в распознавании образов; недавно они продемонстрировали возможность разумно описывать изображения и даже генерировать изображения согласно тексту.

Однако распространение этой технологии в биомедицине было крайне медленным из-за отсутствия целостных и высококачественных данных, регуляторных барьеров и характерной для отрасли инертности,

Обратите внимание

Я основал Insilico Medicine, одну из самых передовых компаний, развивающих применение алгоритмов глубокого обучения для поиска лекарственных препаратов и разработки биомаркеров, в марте 2014 года в Кластере новых технологий Университета Джона Хопкинса. В июне 2016-го года ООО «Инсилико» стало резидентом биомедицинского кластера Фонда «Сколково».

80% нашего персонала находится в России, и статус резидента «Сколково» принесет компании много пользы. В США и Европе талантливые в области глубокого обучения кадры встречаются редко. А если и встречаются, то, как правило, часто меняют место работы.

В России же можно найти много математиков высокого уровня с творческими мышлением и свежими идеями, и  они гораздо больше заинтересованы в решении проблем, нежели в постоянном поиске лучшего места работы.

Это также означает, что наши клиенты и наши идеи здесь находятся в большей безопасности, чем в других частях мира.

Наша цель  — увеличение продуктивного периода жизни. Мы не пытаемся получить как можно больше грантовых средств или инвестиций, как некоторые наши конкуренты, а пытаемся первыми доказать, что наша бизнес-модель работает и мы можем сохранить команду даже в трудные времена.

За два года мы планируем устроить революцию в фармацевтической индустрии, запуская новые лекарственные препараты и БАДы и проводя доклинические испытания гораздо быстрее, чем традиционные фармакологические и биотехнологические компании.

Мы — послы того мира, где у людей будет возможность получать персонализированную профилактическую или терапевтическую схему приема препаратов не выходя из дома. Мы работаем с амбициозными идеями и не хотим размениваться на небольшие инкрементальные улучшения.

У «Инсилико» две бизнес-модели: сервисная модель и разработка новых лекарств-кандидатов. Сервисное подразделение помогает компании генерировать выручку, опыт и репутацию. Внутри компания развивает более 800 малых молекул, нацеливаясь на широкий спектр индикаций, в том числе онкологические заболевания, заболевания ЦНС, метаболические заболевания и даже старение.

Важно

Компания постоянно отчитывается о результатах своей деятельности — с 2014 года ученые опубликовали около полусотни статей в рецензируемых журналах. Insilico Medicine помогает молодым ученым развивать их академическую карьеру и добиваться признания.

Например, одна из наших новых сотрудниц, Полина Мамошина, стала первым автором в статье  Applications of Deep Learning in Biomedicine в журнале Molecular Pharmaceutics.

Более поздняя статья, где Полина также среди авторов, Deep learning applications for predicting pharmacological properties of drugs and drug repurposing using transcriptomic data получила награду от Американского химического общества.

Вместе с другим молодым ученым, Евгением Путиным, Полина выступила соавтором статьи Deep biomarkers of human aging: Application of deep neural networks to biomarker developmentв журнале Aging, одном из ведущих изданий в области исследования старения.

Криобанк Insilico Medicine. Фото предоставлено А. Жаворонковым. 

Недавно «Инсилико» объявила о партнерстве с Asia Genomics, компанией из Сингапура, лидером в применении решений на основе персонализированной геномики, эксклюзивном партнерстве по разработке БАДов с  компанией Life Extension (США) и окончании совместной с BioTime разработки системы на основании искусственного интеллекта для анализа человеческих тканей Embryonic.AI. Кроме того, компания подписала соглашение по совместной разработке биомаркеров старения с Назарбаев Университетом в Астане, с которым мы также планируем развивать государственную инициативу по увеличению продуктивного периода жизни в Казахстане.

Мы разработали ряд биомаркеров старения и геропротекторов, некоторые из них будут доступны на рынке к началу следующего года. У меня нет сомнений в том, что в течение ближайших пяти лет у нас будет возможность значительно увеличить как продуктивный период жизни, так и продолжительность жизни в целом.

Для увеличения продуктивного периода жизни в большинстве развитых стран и получения от этого экономических дивидендов в обществе должны произойти культурные изменения. Измениться должна и психология людей. Основная проблема заключается в том, что люди не чувствуют приближение значительно более долгого срока их жизни и не расположены планировать с учетом этой информации.

Недавно я провел опрос руководителей зарубежных пенсионных фондов.

Из него можно сделать вывод, что совсем немногие из них хотят жить дольше и включать прогресс в биомедицине в моделирование таблиц смертности.

Существует реальная угроза экономического коллапса в кратко- и среднесрочной перспективе в силу близорукости и пренебрежения к разработкам ранних стадий. Это может быть не так очевидно для широкой публики.

Команда «Инсилико». Фото предоставлено А. Жаворонковым. 

Практически все млекопитающие планеты эволюционировали таким образом, чтобы дожить до репродуктивного периода, завести и вырастить потомство, а затем уйти, полностью принимая свою судьбу постепенного угасания и неминуемой смерти.

Совет

Люди научились воспринимать смерть как должное, и такие события в жизни, как рождение детей или выход на пенсию,  запускают множество процессов, которые сложно повернуть вспять. Оценивая свою предполагаемую продолжительность жизни, люди ориентируются в первую очередь на историю семьи и средние значения по стране, и они не готовы быстро менять свои ожидания.

Основная проблема в том, что они не ощущают,  насколько сильно современные исследования влияют на их жизнь, и боятся планировать более долгую жизнь, чтобы не оказаться в плену ложных надежд.

Лаура Картенсен из Стэнфорда показала, что поведение зависит от ожиданий относительно периода жизни (чем дольше люди рассчитывают прожить, тем более «молодым» будет их поведение; по сути, они будут принимать решения, свойственные более молодому человеку). Я думаю, что когда дело касается психологии, то чем дольше ты ожидаешь прожить, тем дольше ты будешь жить, а когда наступит худший из сценариев, то, по крайней мере, успеешь сделать значимый вклад в этот мир.

Подводя итог сказанному. Люди должны начинать готовиться к значительному увеличению продолжительности жизни. В «Инсилико» мы активно работаем над тем, чтобы это стало реальностью. Следите за нашими исследованиями на Pubmed, Research Gate и в прессе. Если вы готовы сделать вклад в исследования процесса старения, мы всегда открыты сотрудничеству.

Комментарий Кирилла Каема, вице-президента Фонда «Сколково», исполнительного директора кластера биомедицинских технологий: «Мы приветствуем нашего нового резидента, компанию «Инсилико», которая будет заниматься разработкой алгоритма анализа сигнальных путей iPANDA (in silico Pathway Activation Network Decomposition Analysis) и глубокого обучения омиксным данным для исследований природы заболеваний и разработки лекарственных средств. Речь идет о создании нового метода идентификации биомаркеров при использовании данных генной экспрессии. Результатом этой исследовательской деятельности станет разработка биомаркеров, перепозиционирование препаратов, создание сервисной модели и системы персонализированного подбора терапии». 

Источник: http://sk.ru/news/b/articles/archive/2016/08/04/iskusstvennyy-intellekt-dlya-poiska-novyh-lekarstv-i-borby-so-stareniem.aspx

Искусственный интеллект будет изобретать лекарства в десятки раз быстрее людей

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.

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.

Читайте также:  Российские кибер-пожарные

На прошлой неделе ученые опубликовали работу, в которой подробно описывается система искусственного интеллекта, созданная для помощи в поиске новых препаратов.

Обратите внимание

Она должна значительно скостить объем времени и денег, затрачиваемых в этом процессе.

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.

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.

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».

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

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.

Важно

Ученые используют эти прогнозы, чтобы сузить тысячи вариантов до десятков, сосредоточить свое тестирование там, где положительные результаты будут наиболее вероятными.

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.

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.

Источник: https://alev.biz/news/science-news/ai/iskusstvennyj-intellekt-budet-izobretat-lekarstva-v-desyatki-raz-bystree-lyudej/

6 лучших систем искусственного интеллекта для биологических и лекарственных разработок

Мы уже писали о наиболее интересных компаниях, работающих в сфере разработки решений на базе алгоритмов искусственного интеллекта, специализирующихся на системах обработки медицинской информации и обработки изображений. Теперь мы хотим завершить этот небольшой цикл публикаций заметкой о решениях, предназначенных для использования при разработках новых лекарственных препаратов и методов лечения.

Обычно разработка новых лекарств фармацевтическими компаниями вместе с клиническими исследованиями и проверками эффективности занимает не менее десяти лет и может стоить миллиарды долларов.

И решения на базе искусственного интеллекта могут существенно ускорить процесс создания лекарства и сделать его более эффективным с точки зрения затрат.

Совет

Сегодня такие решения уже есть, и они могут оказать неоценимое влияние на развитие сегодняшнего здравоохранения, ускорив появление новых препаратов. И мы хотим вас кратко познакомить с несколькими самыми интересными проектами в этой сфере.

Решение этой компании ставит своей целью снизить затраты разработки новых лекарств за счет использования суперкомпьютера и базы данных молекулярных структур для прогнозирования, какой из вариантов потенциального лекарства будет работать, а какой — нет.

В 2015 году Atomwize запустила проект виртуального поиска безопасного и уже существующего лекарства, которое может быть легко изменено для лечения вируса Эбола.

И они действительно смогли с помощью своей системы искусственного интеллекта найти два лекарства, которые могут значительно снижать инфективность (способность возбудителя заболевания проникать в организм хозяина, выживать и размножаться в нем) вируса Эбола.

Причем этот анализ, который в обычных условиях занимает месяцы или даже годы, был сделан менее, чем за один день. Поэтому можно представить, насколько эффективным станет процесс разработки лекарств, если подобного рода клинические исследования проводиться таким образом. И, судя по всему, это произойдет уже в ближайшее время.

  1. Recursion Pharmaceuticals

Эта фармацевтическая компания совсем «свежая» — она была образована в 2013 году с целью построения платформы разработки лекарств, которая будет объединять в себе лучшие элементы высокопроизводительной биологии и автоматизации на базе самых последних достижений в области систем искусственного интеллекта.

Эта компания уже смогла обнаружить новые возможности использования известных лекарственных препаратов, биоактивных компонентов и нашла свое место в сфере редких генетических заболеваний.

Владельцы компании провозгласили сверхамбициозную цель — «найти лечение 100 заболеваний за 10 лет» — и без тени сомнения обещают ее выполнить.

Обратите внимание

Эта компания считает своей стратегической целью стать надежным и стабильным брендом в сфере разработки медицинских решений, связанных с воздействием на микробиом*. Человеческое тело содержит в себе в 10 раз больше клеток разнообразных микробов, чем собственно клеток тканей тела.

Человек эволюционирует вместе со своим микробиомом и содержит в себе множество микроорганизмов, которые полезны для его здоровья. И уже несколько десятилетий исследователи знают, что микробиом предоставляет ряд возможностей, которые могут помочь «формировать» наше здоровье.

Но это стало возможным только в последнее время, когда ученым стали доступны средства геномики и новейшие аналитические инструменты, в первую очередь, на базе алгоритмов искусственного интеллекта.

И, например, в настоящее время крупнейшая американская больница Mayo Clinic сотрудничает с Whole Biome для того, чтобы помочь женщинам избежать преждевременных родов путем использования диагностического тестирования микробиома.

Это китайский стартап, который намерен «оцифровать жизненную информацию каждого человека». Недавно он получил инвестиции в размере $600 млн, что свидетельствует о том, что за подобными громкими словами стоят какие-то реальные технологии.

Компания хочет сконструировать динамическую «цифровую копию человека», содержащую, в том числе, данные о биологических образцах, таких как слюна, белки и ДНК, подкрепленные информацией об окружающей человека среде, такой как качество воздуха и воды, и параметрами его жизни, такими как режимы физических занятий и диета. Эта компания, образованная около года назад, разрабатывает алгоритмы для анализа данных, что позволит создавать рекомендации для изменения образа жизни и применения оздоровительных программ, выдавать советы по выбору еды и даже прописывать лекарства.

Компания Deep Genomics намерена решить самую большую головоломку генетики — узнать в точности, какую информацию можно получить из большей части генома. С этой целью компания разрабатывает решение на базе искусственного интеллекта, а точнее алгоритмов глубокого обучения, с целью расшифровки смысла генома.

Это программное обеспечение предназначено для того, чтобы пробовать создавать различные мутации и предсказывать эффект от их воздействия, основываясь на анализе сотен тысяч примеров других мутаций. Даже если пока нет никакой информации, к чему такая мутация может привести.

Важно

В настоящее время компания использует свою вычислительную систему для разработки базы данных, которая будет обеспечивать работу системы прогнозирования того, как 300 млн генетических вариаций могут повлиять на генетический код.

Предполагается, что их разработки будут использоваться при разработке терапевтических средств лечения на базе генетической информации, для молекулярной диагностики, целевого обнаружения биомаркеров и оценки риска генетических расстройств.

Это коллектив ученых и разработчиков, которые уже в течение 6 лет создают решение на базе искусственного интеллекта для создания персонализированных методов лечения любых типов онкологических заболеваний, позволяющих лечить пациентов быстрее, чем это возможно с помощью какого-либо традиционного лечения.

Это решение позволяет моделировать клеточную биологию на молекулярном уровне, оно может идентифицировать лучшее лекарство, предназначенное для воздействия на конкретный тип опухоли, более того, оно может идентифицировать комплексные биомаркеры и создавать комбинированную терапию.

И все это за счет проведения миллионов симуляционных экспериментов в день.

Уникальной особенностью технологии Turbine является ее молекулярная модель биологии рака, которая используется для оценки результатов подобных экспериментов, при этом искусственный интеллект используется для идентификации биомаркеров, которые характеризуют реакцию организма на лечение.

Сейчас эта технология уже используется при сотрудничестве с Bayer, Pfiser, Кембриджским университетом и нескольким венгерскими исследовательскими группами для поиска новых методов лечения рака, ускорения их вывода на рынок и спасения жизней людей, которые страдают от неизлечимых сегодня форм этой болезни.

* Микробиом — это совокупность всех микроорганизмов и их генов, живущих в организме человека, в первую очередь в пищеварительном тракте, и оказывающих воздействие на него. Микробиом — это своеобразная экосистема, подверженная изменениям под воздействием многих факторов, среди которых и диета, и заболевания кишечника, и многое другое.

Для комментирования необходимо авторизоваться

Источник: https://evercare.ru/ai-leaders-part3?from=email&openstat=email

Ссылка на основную публикацию