Искусственный интеллект поможет сэкономить время и деньги на разработку лекарств

Робот-ученый Eve позволит ученым сэкономить время и деньги при разработке новых лекарственных препаратов

В современном мире существует множество лекарственных препаратов, обладающих поистине чудодейственными свойствами, но мало кому известно, что на разработку таких препаратов уходят годы и десятилетия времени, а затраты на это могут составлять астрономические суммы.

Для того, чтобы сократить время разработки лекарственных препаратов и сместить экономику этого процесса в более приемлемую сторону ученые и инженеры из Кембриджского и Манчестерского университетов разработали Eve – “умного” робота-ученого, который способен выполнять исследования гораздо быстрее людей, работать по 24 часа в сутки и эксплуатация которого обходится гораздо дешевле, нежели содержание штата ученых-фармацевтов. И такой подход сразу же начал давать результаты, в процессе первых “боевых” испытаний робот Eve успешно справился с разработкой нового препарата, предназначенного для борьбы с малярией.

Согласно исследованиям, проведенным учеными Кембриджского университета, фармацевтические исследования являются одним из главных “узких мест” современной медицины. На создание новых препаратов в особо “трагичных” случаях уходят миллиарды долларов, а сам процесс может занимать десятилетия, в течение которых люди продолжают страдать от заболеваний.

Но даже в случае успеха таких разработок фармацевтическим компаниям требуется компенсировать их затраты, что обуславливает крайне высокую стоимость новых большинства препаратов.

Обратите внимание

По этой причине количество недорогих препаратов против многих видов болезней, таких, как малярия, весьма ограничено, а лекарственные препараты, которые могут помочь лишь небольшому кругу людей и подавно не разрабатываются.

“Множество тропических болезней являются настоящим бичом для человечества.

Эти болезни поражают сотни миллионов людей, из которых миллионы людей погибают ежегодно” – рассказывает профессор Стив Оливер из Центра системной биологии и отдела Биохимии Кембриджского университета, – “Нам известно, что является причиной многих из этих болезней, в теории мы может достаточно эффективно им противостоять, используя молекулярные медицинские препараты. Но стоимость, скорость разработки таких препаратов и экономика возвращения вложений делают их абсолютно непривлекательными для фармацевтических компаний”.

Основным методом, который используется в разработке новых лекарственных препаратов, является так называемый метод “грубой силы” (brute force). Этот метод подразумевает перебор всех доступных вариантов состава лекарственного препарата и их испытаний с целью поиска самого эффективного варианта.

Этот метод работает, но он является крайне трудоемким. Конечно, ученые-фармацевты стараются по максимуму использовать различные средства автоматизации, берущие на себя часть рутинной работы, но при этом никто не застрахован от ошибок и вероятности пропуска самых эффективных вариантов составов.

Альтернативным решением этой проблемы является использование специализированных роботов, которые снабжены системой искусственного интеллекта.

Благодаря интеллекту такие роботы могут не только взять на свои плечи выполнение рутинных операций, такие роботы способны приобретать опыт, проводя со всей скрупулезностью эксперименты и опыты, обрабатывать и анализировать все собираемые данные и, даже вносить изменения в существующие теории.

Основой робота Eve стал Adam, робот-ученый, разработанный еще в 2009 году учеными из университета Аберистуита и Кембриджа. Этот робот проводит в автоматическом режиме процедуры предварительных испытаний составов лекарственных препаратов.

Конструкция робота рассчитана таким образом, что он может проводить до 10 тысяч испытаний в день.

Важно

При этом, робот не полагается на случайность метода грубой силы, он производит случайные выборки из всего доступного диапазона составов, проводит несколько идентичных испытаний с целью устранения вероятности ошибки.

Составы, показавшие наилучшие результаты, тщательно анализируются, робот путем статистического анализа и других методов выясняет и предсказывает воздействие каждого из видов молекул, входящих в состав лекарственного препарата. И на основе подобных данных робот разрабатывает очередные новые составы, которые, по его мнению, должны дать еще более лучшие результаты.

Создав робота Eve, ученые проверили его эффективность на задачах по поиску молекулярных составов препаратов, предназначенных для борьбы с паразитами, разносящими малярию, болезнь Чагаса и шистосомоз.

Полученные результаты были сравнены по эффективности воздействия с уже известными составами более чем 1500 препаратов.

Исследователи указывают что, несмотря на существование массы лекарственных препаратов, им всегда приходится разрабатывать очередные альтернативы, которые направлены на борьбу с паразитами, которые приобрели иммунитет к существующим методам лечения.

“Несмотря на обширные исследования, никто не оказался в состоянии найти новое высокоэффективное противомалярийное средства, которое смогло бы пройти всю программу клинических испытаний” – рассказывает профессор Росс Кинг (Ross King), ученый из Института биотехнологий Манчестерского университета, – “На этом фоне работа робота Eve является существенным достижением. Кроме того, она наглядно демонстрирует возможности абсолютно нового подхода к делу разработки новых лекарственных препаратов”.

В настоящее время робот Eve еще не обладает полной способностью к проектированию новых составов лекарственных препаратов на основе данных, полученных в ходе проведения тестов предыдущих составов.

Но такая функция будет дана роботу в самом ближайшем будущем и после этого эффективность одного робота сможет во много раз превысить эффективность группы ученых-фармацевтов с достаточно многочисленным составом.

Источник

Источник: https://uchitel-program.ru/robot-uchenyj-eve-pozvolit-uchenym-sekonomit-vremya-i-dengi-pri-razrabotke-novyx-lekarstvennyx-preparatov/

Медицинские приложения искусственного интеллекта: от науки о жизни до открытия лекарств

Искусственный интеллект обещает лучшее здоровье, более быструю разработку и тестирование лекарств, с целью улучшить результаты лечения пациентов. Мы разговариваем с мировым экспертом по использованию искусственного интеллекта в науках о жизни, цель которого находить и разрабатывать лекарства быстрее и дешевле.

 Александр Жаворонков является основателем и генеральным директором Insilico Medicine — лидер в области искусственного интеллекта следующего поколения для открытия лекарств, разработки биомаркеров и исследований старения. До Инсилико он работал на руководящих должностях в ATI Technologies, NeuroG Neuroinformatics, Фонде биогеронтологических исследований и YLabs.AI.

С 2012 года он опубликовал более 130 рецензируемых научных статей и 2 книги.

Воспользуйтесь нашими услугами

В течение шести лет он организовывал ежегодные форумы «Исследования старения для обнаружения лекарств и искусственный интеллект для здравоохранения» в Basel Life / EMBO в Базеле. Александр — адъюнкт-профессор Института Бака по исследованиям старения.

Майкл Кригсман: Расскажите вкратце об Insilico Medicine и расскажите, над чем вы работаете.

Александр Жаворонков: Мы сосредоточены в первую очередь на применении методов искусственного интеллекта следующего поколения для разработки лекарств, разработки биомаркеров, а также исследований старения. Мы ориентируемся конкретно на две техники машинного обучения: генеративно-состязательные сети (GAN) и обучение с подкреплением. Это методы, в которых мы наиболее опытны в своей области.

Мы используем эти методы для двух целей.

Одна из них — выявление биологических мишеней и создание биомаркеров из нескольких типов данных, а также создание новых молекул, новых молекулярных структур с определенным набором свойств.

Мы были одной из первых компаний, возможно, первой, которая создала новые молекулы, используя новую технологию, называемую генеративно-состязательными сетями, и проверила эти молекулы экспериментально.

Что такое pipeline разработки лекарств?

Майкл Кригсман: Дайте нам некоторый контекст. Что такое pipeline разработки лекарств? Почему это так сложно? Давайте поговорим об этом. Затем мы можем перейти к тому, как ИИ делает это лучше, легче.

Александр Жаворонков: Открытие лекарств и разработка лекарств — это очень длительный процесс. Это также один из тех процессов, где у вас больше неудач, чем успехов. На самом деле неудач гораздо больше, чем успехов.

Требуется более 2,6 миллиарда долларов на разработку лекарства и его вывод на рынок для лечения определенного заболевания. Это после того, как молекула была проверена на животных.

Кроме того, после того, как молекула была протестирована на животных, уровень отказов составляет 92%. Когда лекарство тестируется на людях, то оно терпит неудачу в 92% случаях.

Итак, процесс не только длительный, но и рискованный.

Обычно время, необходимое для открытия и развития молекулы, составляет около десяти лет. Люди, которые инициируют процесс, не всегда присутствуют, когда молекула внедряется. Процесс состоит из нескольких этапов.

Совет

Первый — генерация гипотез. Вы выдвигаете гипотезу, теорию определенной болезни и определяете соответствующие цели. Вы говорите о том, какие белки вовлечены в заболевание и какие белки являются причиной.

После этого вы идете и разрабатываете антитело или небольшую молекулу для этого белка-мишени. Если вы разрабатываете небольшую молекулу, вы обычно начинаете с проверки больших библиотек соединений, которые могут поразить эту конкретную мишень, и проводите всевозможные эксперименты, чтобы увидеть, насколько хорошо эти маленькие молекулы связываются с этой мишенью.

После этого вы выбираете несколько вариантов.

Вы определяете, какие молекулы лучше всего подходят для этой белковой мишени, и начинаете проводить всевозможные эксперименты на этих молекулах, чтобы определить, хорошо ли они работают в биологической системе, в анализе, связанном с заболеванием, у мыши, у собаки или других животных, а затем вы подаете заявку на IND (исследование нового лекарства) с FDA, чтобы получить молекулу в клинических испытаниях.

После того, как этот процесс завершен, мы приступаем к разработке лекарств и начинаем клинические испытания. Все начинается с фазы I, которая связана с безопасностью; далее фаза II — вы проверяете на эффективность; и фаза III — вы тестируете обе фазы в больших клинических условиях, на больших популяциях. После вы можете перейти к фазе IV или начать выпуск продукта.

Открытие лекарств и постмаркетинговое исследование

Александр Жаворонков: А потом постмаркетинговое исследование. Этот процесс обычно занимает более десяти лет и терпит неудачу в 92% случаев.

С ИИ вы действительно можете играть практически во всех сегментах, начиная с открытия лекарств на ранней стадии, когда ИИ может помочь вам с моделью гипотезы и, по сути, вытащить иголки из стога сена с идентификатором мишени, с идентификацией малых молекул, с виртуальным скринингом, с созданием новых молекул с особыми свойствами, с планированием дизайна клинического испытания и включением в клиническое испытание. И затем, также, для прогнозирования результатов клинических испытаний.

Майкл Кригсман: Где ИИ начинает сокращать процесс, делать его лучше?

Александр Жаворонков: Если вы находитесь на ранних этапах разработки лекарства, начали работать над генерацией гипотез и идентификацией мишеней, обычно у вас есть несколько путей, по которым нужно следовать. Одним из способов является поиск литературы и выявление перспективных областей, которые были открыты учеными в прошлом и опубликованы в литературе.

ИИ может помочь вам добывать огромное количество литературы, а также другие связанные источники, чтобы определить сигналы и мишени, которые могут быть связаны с болезнью.

Мы, в Insilico, обычно начинаем с данных по грантам. Мы смотрим на биомедицинские гранты на сумму около 1,7 трлн долларов за последние 25 лет.

Затем мы смотрим, как эти гранты превращаются в публикации, в патенты клинических испытаний, а затем в продукты на рынке.

Мы следуем от идее к идее и от денег к деньгам, то есть от денег на рынке. Мы также смотрим, как деньги становятся данными. Так, обычно, когда правительство поддерживает определенное исследование, данные должны храниться в публичном хранилище, чтобы другие люди могли их копировать, а также для общего блага.

Читайте также:  Искусственные нейронные сети. основные термины и общие понятия

Мы стараемся следить за деньгами в данных. Если данных нет, мы пытаемся связаться с ученым и получить данные от ученого и / или призвать ученого поместить данные в общедоступное хранилище.

Мы начинаем с текстовых баз данных, но также связываем эти данные с омиксными данными. По сути, все, что заканчивается на «омика» ( транскриптомика, геномика, метаболомика, метагеномика), называется омиксными данными.

Мы работаем в основном с данными по экспрессии генов, поэтому мы смотрим, как уровень экспрессии определенных генов или целых сетей меняется, скажем, с здорового состояния на болезнь. Мы преобразуем эти изменения, эти признаки болезни в отдельные мишени, и определяем какие виды белков могут быть нацелены с помощью небольшой молекулы.

Затем мы вернемся к prior art в тексте и посмотрим, опубликовал ли кто-нибудь что-нибудь, что укрепило бы нашу гипотезу.

Это не обязательно означает, что наша гипотеза неверна, если в тексте нет сигнала, потому что иногда люди просто не могли реально связать определенную мишень с болезнью, используя более старые методы, но это дает нам немного больше уверенности, чтобы увидеть что кто-то уже затронул эту проблему и эту мишень раньше.

Мы собираем огромные объемы данных, которые просто невозможно обработать с помощью человеческого интеллекта. Мы также собираем и объединяем эти типы данных.

Обратите внимание

Иногда эти типы данных полностью несовместимы, и невозможно просто зашить их вместе с помощью стандартных инструментов.

Вам действительно необходимо обучать глубокие нейронные сети одновременно нескольким пакетам данных, чтобы они могли обобщаться и чтобы мы могли извлекать соответствующие функции, присутствующие в нескольких типах данных одновременно.

Некоторые типы данных, с которыми мы работаем, совершенно непостижимы для человеческого разума. Как, например, данные генной экспрессии или данные движения, или данные сканирования сердечно-сосудистой деятельности, или ультразвуковые данные. Нам удается объединить эти типы данных с помощью ИИ, а затем определить соответствующие мишени.

Биология vs искусственный интеллект

Майкл Кригсман: В Insilico ваша основная специализация — биология и медицина или разработка методов искусственного интеллекта? Можно ли разделить эти два направления?

Алекс Жаворонков: В нашем случае оба направления хороши, и мы нанимаем людей на конкурсной основе, на международном уровне. На конкурсах мы проводим очень сложные тесты, которые люди должны очень быстро решить. Эти проблемы обычно связаны с разработкой метода ИИ и решением сложной биологической или химической проблемы.

Однако, когда вы смотрите на действительно великих ученых из ИИ, они, как правило, не очень хороши в биологии или в химии. Они хороши в математике. Вот почему некоторый процент нашей компании — просто замечательные математики, которые разрабатывают новые методы, например, для соединения химии и биологии с использованием глубокого обучения.

Часть компании специализируется на применении уже существующих методов, таких как GAN, и усилении обучения к существующим проблемам в химии и биологии. Эти люди обычно на прикладной стороне, и они знают и химию и биологию. Они могут общаться с математиками, а также проводить некоторые фундаментальные исследования в области ИИ.

Конечно, у нас просто есть чистые биологи и химики, которые также необходимы для проверки некоторых результатов нашего ИИ. Вот почему у нас такая большая, разнообразная и международная команда, потому что нам действительно нужно охватить эти три области: методы, приложения и валидацию.

Майкл Кригсман: У нас есть интересный вопрос от Криса Петерсона в Твиттере, который говорит: «Параллельные программы на Фортране, основанные на гриде, все еще используются для некоторых фармакокинетических и фармакодинамических исследований. Видите ли вы, что ИИ заменяет олдскульный код, усиливает его или развивается параллельно?»

Александр Жаворонков: Думаю, сейчас нам нужно продвигаться параллельно. Конечно, некоторые из старых методов и некоторые из очень примитивных молярных динамик до сих пор используются действительно ведущими экспертами в области открытия лекарств сегодня.

Но большинство этих методов значительно ускоряются с помощью высокопроизводительных вычислений и искусственного интеллекта, так что это типичное программное обеспечение, которое существует уже очень давно, например, Schrodinger. Компания существует с 92 года.

Этот парень сделал большой прорыв во многих областях, и ему удалось продвинуть старые алгоритмы для решения очень сложных задач. Я думаю, что в Insilico мы пытаемся все заново изобрести и пишем собственное программное обеспечение.

Но, конечно, мы знаем многих наших сотрудников, которые просто хотели бы взять маленькие кусочки нашего большого салями, которое мы разрабатываем, и поиграть с ним сегодня.

Возможно, они используют более классические инструменты, которые мы не можем обойти сейчас.

В идеале необходимо иметь цельный конвейер, который идентифицирует цели, генерирует молекулы и проводит эти молекулы через большое количество симуляций в одном бесшовном конвейере.

Это то, что мы строим, и это наш Святой Грааль.

Но, конечно, многие компании, многие группы пытаются сделать игру Lego и пытаются использовать несколько инструментов с разными выходами для решения одной и той же проблемы.

Разработка инструментов AI внутри компании

Майкл Кригсман: Почему вы разрабатываете свои собственные инструменты?

Александр Жаворонков: Да просто потому, что многие из используемых нами методов настолько новы, что несовместимы с более старыми инструментами.

Есть много групп, которые утверждают, что занимаются искусственным интеллектом, но, по сути, они занимаются механической работой, беря готовое программное обеспечение и пытаясь преодолеть некоторые пробелы в фармакологических исследованиях и разработках, используя эти инструменты. Мы этого не делаем. Мы разрабатываем все с нуля, от идентификатора мишени до генерации малых молекул.

Майкл Кригсман: Теперь мы говорили об использовании ваших методов для выявления потенциальных кандидатов. Следующим шагом является оценка. Во-первых, мы должны раскрыть возможности, а вы делаете это путем агрегирования всех этих данных и последующего их анализа с использованием различных методов. Допустим вы сделали это. Как вы оцениваете кандидатов, которых вы раскрыли изначально?

Александр Жаворонков: Обычно, когда у вас остается список белков-мишеней для конкретного заболевания и вы пытаетесь расставить приоритеты, вы пытаетесь аннотировать эти белки с максимально возможным количеством баллов. Вы смотрите, была ли эта белок-мишень когда-либо вовлечена в токсичность.

Как это связано со всем остальным? В какой ткани он играет большую роль? Как это взаимодействует с другими белками? Это лекарство? Это лекарственное средство с маленькой молекулой или с антителом? Кто-нибудь еще это использовал? Какое патентное пространство вокруг молекулы? Кто-нибудь пробовал взять его в клинику с маленькой молекулой или антителом для определенного заболевания?

Есть много, много, много, много функций оценки, которые вы должны рассмотреть. В конце, когда у вас в основном остается очень маленький набор целей, вы также тестируете их в различных биологических системах, чтобы определить, какая из них более подходит для интересующей вас болезни.

Важно

Я приведу пример из практики. Например, нас очень интересует фиброз. Фиброз не очень простой процесс для описания, и существует несколько типов фиброза. Существует IPF, или легочный фиброз.

В легких наблюдается индуцированный курением фиброз. В легких наблюдается старческий фиброз.

Мы идентифицировали более 120 типов фиброза, сравнивая нормальную ткань с тканью, вызванной определенным состоянием, связанным с фиброзом.

Мы только недавно провели тематическое исследование, в котором мы рассмотрели IPF, определили список мишеней для этого состояния, и в нашем списке было 50 мишеней.

Мы смотрели на то, когда эти мишени более активны и более актуальны для заболевания, на какой стадии заболевания, потому что, я думаю, если вы поймете это позже или решите решите эти вопросы позже, когда симптомов так много, вы будете лечить симптомы, а не причину.

В нашем случае мы определяем большой список мишеней, которые, вероятно, будут очень актуальны на ранней стадии прогрессирования заболевания. Затем мы смотрим на то, какие мишени являются новыми, на какие мишени люди не обращали внимания.

Мы не хотим сосредотачиваться на старых мишенях. Затем мы смотрим на то, какие мишени пригодны для лекарств, где мы могли бы на самом деле найти небольшую молекулу из библиотеки или можем создать молекулу с нуля.

Затем мы рассматриваем, какие цели могут быть проверены в конкретном наборе анализов на фиброз.

Майкл Кригсман: Где есть влияние технологий искусственного интеллекта, которые вы используете в этом процессе?

Александр Жаворонков: Обычно для подсчета баллов оценки результата. Вы распределяете несколько баллов для этих мишеней. В нашем случае мишень имеет более 50 баллов.

Совет

Была ли она вовлечена в определенное состояние раньше, взаимодействует ли она с другими белками определенным образом, может ли это привести к токсичности.

Те предикторы, которые в основном дают вам такую ​​оценку и вероятность того, что эта мишень является наиболее релевантной, глубоко изучают. Мы разработали их с помощью машинного обучения.

Академия vs промышленность

Майкл Кригсман: У нас есть еще один интересный вопрос из Твиттера от Шреи Амин. Она говорит: «Как этот тип исследования, которое вы описывали, и процессы различаются между научными кругами и промышленностью?»

Александр Жаворонков: Конечно. Это очень, очень хороший вопрос. В промышленности, в большой фармацевтике, люди немного менее предприимчивы. Они пытаются разработать различные методы, чтобы действительно решить проблему и внести постепенные изменения. Их методы не нацелены на публикацию в научном журнале.

В научных кругах люди гораздо более изобретательны и предприимчивы. Они пытаются опубликовать результаты. Вот откуда инновации, в первую очередь.

Мы, в Insilico, находимся между наукой и промышленностью, поэтому мы публикуем около двух научных работ в месяц. Это даже для некоторых академических групп достаточно, чтобы также доказать концепцию и объяснить куда мы идем.

Академики, я думаю, в наши дни гораздо продуктивнее, будь то разработка новых методов и показ новых направлений. Тем не менее, разрыв между действительно хорошими учеными-компьютерщиками, которые разрабатывают новые методы, которые могут иметь отношение к открытию лекарств, очень часто настолько далеки от биологии и химии.

Они выпускают статьи действительно хорошие с точки зрения машинного обучения, но результаты очень далеки от реальных приложений.

Очень часто они на самом деле не понимают, что они где-то переоснащены или, если это совершенно не относящийся к делу результат, который они получают или получают, только после того, как кто-то попробует это в биологии и химии.

Источник: http://integral-russia.ru/2019/02/21/meditsinskie-prilozheniya-iskusstvennogo-intellekta-ot-nauki-o-zhizni-do-otkrytiya-lekarstv/

«Робот-ученый» Eve (Ева) позволит сэкономить время и деньги при разработке лекарств (+видео)

Современные фармацевтические препараты могут творить чудеса, но их разработка занимает много времени, а продаются они порой по невероятной цене.

Читайте также:  Три мифа о робототехнике и искусственном интеллекте

Чтобы сократить время разработки и сэкономить деньги, ученые из университетов Кембриджа и Манчестера создали Еву – «робота-ученого» с искусственным интеллектом, который сможет работать не только быстрее и дешевле, чем его человеческие аналоги. Он уже разработал состав, который может быть использован для борьбы с малярией.

По данным Университета Кембриджа, фармацевтические исследования сегодня испытывают трудности. Порой может потребоваться до 10 лет и $ 1 млрд, чтобы создать новый препарат. Все это время многие люди продолжают болеть, а вложенные средства не дают отдачи. Именно по этой причине не хватает препаратов для борьбы со многими заболеваниями, такими как малярия.

«Забытые тропические болезни бич человечества, заражая сотни миллионов людей, они убивают миллионы людей каждый год»,- говорит профессор Стив Оливер из Центра биологических систем и кафедры биохимии Университета Кембриджа.

«Мы знаем, что вызывает эти заболевания и можем, в теории, атаковать паразитов, которые вызывают их, с помощью небольших молекул лекарств.

Обратите внимание

Но стоимость и скорость открытия новых лекарств и экономическая отдача делают их непривлекательными для фармацевтической промышленности».

Одним из способов автоматизации тестирования новых препаратов может быть метод «механического перебора вариантов», который заключается в тестировании каждого соединения и каждого варианта, пока вы не найдете эффективный вариант. Этот метод работает, но он занимает очень много времени. Даже если использовать быстрые автоматизированные системы, они позволяют решать только простые задачи и за очень длительное время.

Быстрее и дешевле решить эти задачи позволят роботы с искусственным интеллектом, которые способны не только проводить контрольные испытания препаратов, но и разрабатывать, тестировать и вносить коррективы, а также автоматически сохранять все данные и результаты. Именно, таким образом и помогает Ева.

Ева создана на основе Адама – робота-ученого, разработанного в 2009 году в университетах Абериствита и Кембриджа. Он автоматизирует тестирование и разработку лекарств на ранних стадиях с помощью серии тестов, которые поддаются машинной проверке, около 10 000 тестов в день.

Вместо того чтобы полагаться только на простой перебор доступных вариантов соединений, Ева выбирает случайное подмножество соединений, тестирует их несколько раз, чтобы избежать ложных результатов.

Положительные результаты затем анализируются с помощью статистики и машинного обучения и предсказываются новые структуры молекул, которые, вероятно, позволят получить лучшие результаты.

«Ева использует искусственный интеллект для того, чтобы определить первые успешные результаты отбора и выделить соединения, которые с высокой степенью вероятности могут быть активными, как лекарственный препарат с заданными свойствами»,- говорит профессор Оливер.

«Несмотря на многочисленные усилия, никто не мог найти новые противомалярийные лекарства»,- говорит профессор Росс Кинг, из Манчестерского института биотехнологий. «Открытие Евы может быть еще более значительным, чем просто демонстрация нового подхода к разработке лекарств».

Исследователи говорят, что Ева в настоящее время не имеет возможности синтезировать соединения, которые можно было бы получать на основе результатов испытаний, но эта возможность может быть добавлена в будущих версиях.

Источник: http://www.robogeek.ru/roboty-v-meditsine/robot-uchenyi-eva-pozvolit-sekonomit-vremya-i-dengi-pri-razrabotke-lekarstv

Чем кормить искусственный интеллект в фарме?

Основной опыт работы с большими данными, который удалось накопить в фармацевтической отрасли, связан главным образом с фармакокинетическим и фармакодинамическим моделированием. После того как определена доза препарата и начинается этап перехода «от пробирки к человеку», в цепочке накопления данных появляются разрывы.

Потенциально полезные для фармацевтики большие данные – геномные данные, сведения о назначенной терапии, данные лабораторной диагностики и мониторинга состояния пациентов, посты на форумах и в социальных сетях – скапливаются отдельными «островами».

Фармацевтические компании не успевают перерабатывать этот вал данных в знания и тем более применять их.

Интересы биотех- и фармкомпаний к технологиям анализа больших данных и искусственного интеллекта очень широки и простираются от собственно разработки препаратов до получения обратной связи от пациентов, контроля приема лекарств и соблюдения рекомендаций врачей, совместной работы и повышения операционной эффективности.

Однако, как отметили участники конференции «Большие данные в фарме», организованной Semantic Hub при содействии Агентства стратегических инициатив, прекрасные ожидания фармкомпаний, связанные с цифровизацией здравоохранения, связаны прежде всего с сокращением сроков разработки и исследований, а следовательно – снижением затрат на выпуск новых препаратов.

Чтобы вывести на рынок один новый препарат, требуется минимум 10 лет и несколько миллиардов долларов, но и тогда вероятность того, что этот препарат будет продаваться, составляет примерно 10%, отмечает Кирилл Жуденков, старший научный сотрудник M&S Decisions.

Важно

По его словам, остановка проектов на ранних стадиях в 80% случаев связана с безопасностью препарата, на поздних – с его неэффективностью. Поэтому при принятии решений о разработке новых лекарственных препаратов очень высоко востребованы аналитика и компьютерное моделирование.

«Иначе как понять, эта молекула – «бомба» или не «бомба»», – объясняет Жуденков.

Избежать неудач на поздних стадиях разработки препарата и предсказать влияние лекарств на поведение биомаркеров помогает моделирование динамики основных компонентов биосистемы. Для этого в Институте системной биологии моделируют заболевания, виртуальных пациентов и их популяции и проводят виртуальные клинические исследования.

Построенные на ранних стадиях разработки системно-фармакологические модели дают возможность предсказать, что же получат разработчики на второй фазе клинических испытаний. Кроме того, в институте разработали программу Immune Research Template, упрощающую создание системно-фармакологических моделей в области иммуноонкологии.

Между тем и западные, и российские регуляторы остаются достаточно консервативными, даже когда заявляют о готовности принимать данные математического моделирования. И, как отмечает Михаил Самсонов, директор медицинского департамента «Р-Фарм», такая консервативность тоже является барьером для развития.

«Сказать, что интерес фармотрасли к информационным технологиям большой, – это ничего не сказать», – констатирует Александр Чернавин, руководитель группы по поддержке бизнеса в медицинском департаменте «Р-Фарм».

Этот интерес охватывает разработку новых препаратов, организацию доклинических и клинических исследований, в том числе создание баз данных. Однако пока мало говорится о создании всеобъемлющих баз данных химических субстанций, которые можно было бы использовать на ранних стадиях разработки препаратов, до получения патента.

Фармкомпании многое держат в секрете и потому часто идут параллельными курсами, хотя могли бы продвигаться совместными усилиями. По мнению Чернавина, сотрудничество между фармацевтическими и ИТ-компаниями в период после выпуска препарата развито недостаточно.

Крайне важно, чтобы препарат попал в руки хороших специалистов, и здесь возможности образовательных мероприятий, позволяющих с помощью интернет-технологий и вебинаров охватить большее число специалистов, очень велики.

Чернавин также обращает внимание на серьезнейшую глобальную проблему, которую невозможно решить без анализа больших данных, – рост устойчивости возбудителей инфекционных заболеваний к воздействию антибактериальных препаратов. В Смоленске российскими учеными создана база данных результатов лабораторных исследований, которая позволяет анализировать изменения резистентности микроорганизмов со временем. Но этого, увы, недостаточно.

Совет

Очевидно, что экономические реалии требуют от фармацевтической отрасли более интеллектуальных подходов и к продвижению своей продукции и к изучению поведения потребителей.

В год на подобные мероприятия расходуется около 300 млрд руб.

Как признает Иван Глушков, заместитель гендиректора по развитию из Stada CIS, «стремление накачивать телевизор деньгами в условиях падения покупательской способности населения выглядит очень рискованной стратегией».

«Фармацевтика – венчурная по своей природе отрасль, поскольку слишком большое число самых разных факторов влияют на успех препарата, – отмечает Ирина Ефименко, генеральный директор Semantic Hub.

– И при анализе большого объема неструктурированных данных всегда есть риск проглядеть что-то важное, упустив перспективную разработку или вложившись в продукт, который сойдет с дистанции».

Semantic Hub, специализирующаяся на анализе естественного языка, создает сервисы, помогающие экспертам исследовательских департаментов ускорить разработку перспективных препаратов путем более раннего выявления перспективных направлений, таких как новые решения, молекулы, их комбинации, системы доставки.

«Мы надеемся, что с помощью технологий анализа больших данных, искусственного интеллекта, в том числе семантических технологий, сможем ускорить исследования в десятки раз, чтобы каждый этап занимал часы, а не недели», – говорит Ефименко.

Проблемы с интеллектом

По объемам инвестиций в системы искусственного интеллекта здравоохранение уверенно лидирует среди других отраслей. И, возможно, именно поэтому основные проблемы развития искусственного интеллекта в здравоохранении проявляются особенно ярко.

Например, Сергей Сорокин, генеральный директор компании «Интеллоджик», отметил такую проблему, как необходимость больших объемов данных для обучения нейронных сетей и невозможность построить эффективные модели с использованием гетерогенных данных на небольших выборках для каждого заболевания.

Но одно из самых серьезных препятствий, затрудняющих распространение в медицине решений на базе ИИ, заключается в том, что врач, принимающий конечное решение и несущий за него ответственность, не понимает, почему ему предлагаются те или иные результаты работы алгоритма.

C его точки зрения, система представляет собой «черный ящик», и нет возможности объяснить ему логику получения результата применения ИИ, чтобы валидировать этот результат.

Необходима такая система представления результатов, которая позволила бы упростить оценку достоверности работы математической модели врачом.

Попытку создать такое решение предприняли в Российском онкологическом центре им. Н. Н. Блохина – в этом учреждении сейчас тестируется интеллектуальная система анализа медицинских изображений для распознавания рака легких.

Одна из проблем фармотрасли, которую помогает решить ИИ, – повышение эффективности предварительного скрининга пациентов, отбираемых для проведения клинических исследований.

По статистике, до 70% набранных пациентов не соответствуют критериям включения (или невключения) в исследование.

Как утверждает Сорокин, благодаря математическому моделированию сроки поиска подходящих пациентов сокращаются, а точность повышается.

Обратите внимание

Наиболее перспективные направления использования искусственного интеллекта в медицине – диагностика и оценка рисков развития заболеваний. В платформе, которую разрабатывает «Интеллоджик», технологии ИИ применяют для обработки диагностических изображений и объединения гетерогенных медицинских данных в вектор, кодирующий всю информацию о пациенте.

Первичная модель представления пациентов строится на доступных публичных базах данных, а ее уточнение производится на частных наборах данных. И уже на основе созданных векторных математических моделей разрабатываются инструменты диагностики и оценки рисков заболеваний. В проекте под названием Botkin.

AI предусматривается автоматическая подготовка наборов данных и обучение моделей, а также визуализация результатов.

Осознать потребности

Примеров удачной монетизации больших данных на российском рынке ИТ для фармацевтики немного: соединения «боли» заказчика с ИТ-решением часто не происходит, хотя у обеих сторон есть ощущение, что оно где-то рядом.

Один из мировых фармгигантов, компания Bayer, к примеру, развивает акселератор стартапов в области цифровой медицины, ежегодно отбирая перспективные российские ИТ-компании и помогая им сфокусировать свои решения на актуальных для фармацевтики задачах.

Как отмечает Глушков, монетизация – следствие удовлетворения осознанной потребности. Видимо, фармкомпании все еще недостаточно четко осознают, какие именно задачи следует ставить перед ИТ-подрядчиками.

Ценные для искусственного интеллекта базы создают исследовательские лаборатории. Например, Unim – российская гистологическая лаборатория, где весь онкоморфологический анализ проводится полностью в цифровом виде, накапливает архив диагностированных и дважды валидированных данных.

Не выпускают из вида медицинское направление и интернет-холдинги.

Читайте также:  Программа для обучения нейронной сети алгоритмом уидроу-хоффа

В совместном проекте Yandex Data Factory фармацевтической компании «АстраЗенека» и Российского общества клинической онкологии RUSSCO на платформу RAY закачиваются сырые данные молекулярно-генетических лабораторий.

А в проекте «Здоровье.Mail.ru» накапливаются и анализируются во многих разрезах результаты пользовательских запросов на всех ресурсах компании.

Предполагается, что накопление данных о здоровье облегчит легализация телемедицины.

Важно

Сорокин, однако, скептически относится к гипотетическому прорыву в области накопления медицинских данных, ожидаемому после вступления в силу закона о применении ИТ в сфере охраны здоровья.

«Теоретически телемедицина – драйвер отрасли и нашего проекта, – говорит он. – Но я не верю, что, как только откроется юридический «шлюз», сразу хлынет поток дистанционных консультаций».

Тем не менее «копилки данных», собранных в процессе онлайн-консультаций, уже начали наполняться.

Источник: https://www.osp.ru/medit/2018/02/13053788.html

Зачем фармацевтике искусственный интеллект

  • Как ИИ поможет фармацевтическим компаниям
  • Препятствия внедрения искусственного интеллекта
  • Успешное применение нейросети в фармацевтике
  • Базы данных для работы искусственного интеллекта
  • Начиная от процесса разработки лекарственных препаратов и до их покупки пациентом в аптеке, фармацевтике приходится работать с огромными объемами данных.

    Информация о лабораторной диагностике, мониторинг состояния пациентов, посты на форумах и в социальных сетях об эффективности препарата – все это полезные сведения для фармацевтической компании. Однако в виду их количества и разрозненности, фирма-производитель не успевает обработать и усвоить эти знания, а тем более применить.

    В решении этой и других задач может помочь искусственный интеллект. 

    Как ИИ поможет фармацевтическим компаниям

    Стремление фармкомпаний собирать, систематизировать и анализировать большие данные заставили их обратиться к технологиям искусственного интеллекта. Созданная учеными нейросеть без труда справиться со сбором необходимой информации как во время создания препарата, так и в получении обратной связи от пациентов.

    Другой задачей, где бы пригодился искусственный интеллект, является сокращение сроков разработки лекарственных средств.

    На конференции «Большие данные в фарме», организованной Semantic Hub представители фармацевтической индустрии высказались, что с помощью ИИ хотели бы снизить период разработки препаратов.

    Сегодня для того чтобы представить на рынке один новый медикамент, требуется минимум 10 лет и несколько миллиардов долларов. При этом вероятность, что этот препарат будет продаваться, составляет примерно 10%.

    Кроме того, создание нового лекарства может быть прервано на первых стадиях из-за небезопасности или неэффективности. В результате деньги будут потрачены впустую.

    Сократить риск при принятии решений о разработке новых лекарственных препаратов и избежать неудач на поздних стадиях создания помогают аналитика и компьютерное моделирование. Так, в Институте системной биологии в США создают модели виртуальных пациентов с определенными заболеваниями, на которых пытаются выявить эффективность лекарств.

    Еще одна задача, в которой бы пригодилась помощь искусственного интеллекта, — рост устойчивости возбудителей инфекционных заболеваний к воздействию антибактериальных препаратов.

    Эту проблему невозможно решить без анализа большого объема данных.

    Совет

    Смоленские ученые уже предприняли попытку создать базу данных результатов лабораторных исследований, позволяющую анализировать изменения стойкости возбудителей заболеваний. Однако этого пока недостаточно.

    Западные и российские представители фармацевтической промышленности еще мало сотрудничают с ИТ-компаниями. И хотя многие уже осознали пользу от применения компьютерного моделирования и искусственного интеллекта, фармкомпании достаточно консервативны и не до конца доверяют таким технологиям.

    Препятствия внедрения искусственного интеллекта

    К работе нейросетей недоверчиво относится не только фармацевтика, но и большинство представителей медицинской сферы. Врачи, взаимодействуя с ИИ, не понимают, почему алгоритм предлагает им те или иные решения. C их точки зрения, нейросеть – это «черный ящик», чью логику невозможно понять и объяснить. 

    В дополнение к этому, медицинские работники сомневаются в совершенстве искусственного интеллекта. Когда речь идет о здоровье и жизни пациента, ошибок быть не должно, а современные технологии пока не могут этого гарантировать со 100% точностью.

    Второй причиной, затрудняющей внедрении ИИ, являются длительные сроки его разработки. Точность и эффективность – качества, которые должны обязательно присутствовать у нейросети.

    Для того чтобы алгоритм действительно мог помогать в создании лекарств и анализе данных, к его разработке привлекаются медицинские эксперты.

    Это увеличивает не только надежность искусственного интеллекта, но и период, необходимый для его выпуска.

    В качестве третьей причины выступает высокая стоимость разработки ИИ. На данный момент число рабочих кадров, обладающих опытом и знаниями, для работы с нейронными сетями, не так велико. В результате стоимость таких исследований остается высокой.

    Успешное применение нейросети в фармацевтике

    Примеров удачного использования искусственного интеллекта на фармацевтическом рынке немного, но их количество постепенно растет. Так, компания Bayer акцентирует свое внимание на стартапах в области цифровой медицины. Фармацевтический гигант ежегодно отбирает перспективные российские ИТ-компании и помогает им воплощать свои решения на актуальных для фармацевтики задачах.

    Базы данных для работы искусственного интеллекта

    В фармацевтической и медицинской областях начали создавать базы данных, которые могут быть полезны для обучения нейросетей. Например, российская гистологическая лаборатория Unim накапливает архив диагностированных и дважды валидированных данных.

    Интернет-холдинг Yandex Data Factory, фармацевтическая компания «АстраЗенека» и Российское общества клинической онкологии RUSSCO совместно собирают на платформе RAY информацию молекулярно-генетических лабораторий.

    Предполагается, что накопление актуальной информации о здоровье и лечении заболеваний даст толчок к активному применению искусственного интеллекта в фармацевтике.

    Источник: https://supermed.pro/farm-ii.html

    Как ИИ меняет медицину: личный помощник для врачей, маршрутизатор в клиниках и разработчик лекарств

    Современные системы искусственного интеллекта помогают докторам ставить диагнозы. Например, технологии, которые диагностируют диабетическую ретинопатию — тяжелое осложнение сахарного диабета. Они анализируют снимки глаза, сделанные с помощью аппарата для фотографирования сетчатки.

    Алгоритмы машинного обучения также помогают врачам во время первичных осмотров. В частности, чат-бот DOC+ самостоятельно собирает анамнез пациента перед онлайн-консультацией, чтобы доктор мог заранее составить представление о состоянии больного.

    А у компании Philips появилась система на базе ИИ, анализирующая рентгенологические снимки легких на предмет наличия туберкулеза.

    7 медицинских технологий, которые скоро придут в российские больницы

    Однако в медицине есть сферы и задачи, которые не связаны напрямую с лечением людей, но в значительной степени влияют на качество медобслуживания. Речь идет о маршрутизации врачей и пациентов в поликлиниках, разработке новых лекарств и поиске новых практик лечения.

    Помощник в исследованиях

    Методики лечения, используемые врачами, со временем устаревают. Потому медикам приходится регулярно освежать свои знания. Но возникает сложность — количество информации, которое при этом необходимо охватить, невероятно велико.

    Один из вариантов решения проблемы с объемами информации — создание помощников для врачей. Они бы искали среди источников релевантные материалы, представляющие интерес для докторов. И такие проекты уже есть. Например, сервис UpToDate, в котором независимые эксперты вручную просматривают наиболее свежие медицинские публикации и составляют краткие конспекты для практикующих врачей.

    Но «ручной подход» имеет свои недостатки — подвержен влиянию человеческого фактора и плохо масштабируется. Потому сегодня разрабатываются и внедряются алгоритмы машинного обучения, автоматизирующие подбор научных публикаций.

    Пример такой системы — инструмент RobotReviewer, который разрабатывает Байрон Уоллес, старший преподаватель Колледжа компьютерных и информационных наук при Северо-Восточном университете США. RobotReviewer использует алгоритмы машинного обучения и модели обработки естественного языка для анализа медицинской литературы на предмет надежности исследования.

    Обратите внимание

    Шрада Агарвал, Outcome Health: когда человек знает о своей болезни, от этого выигрывают и он, и фарма

    В частности, алгоритм определяет, проводили ли авторы публикации рандомизированное контролируемое испытание во время своих исследований.

    Это тип эксперимента, когда одна группа участников принимает плацебо или лечится классическими методами, а вторая группа — получает исследуемый препарат.

    Алгоритм также учитывает, использовал ли автор двойной слепой метод при оценке реакции на методику лечения. Метод предполагает, что сам исследователь не знает, какая из подопытных групп — контрольная.

    Эти два подхода наиболее важны при определении надежности статьи. Алгоритм отсеивает те исследования, которые не соответствуют высоким медицинским стандартам и не представляют практической ценности для докторов. Это экономит их время, так как им не приходится просматривать работы ненадежные с точки зрения чистоты эксперимента.

    Маршрутизация в больницах

    Технологии машинного обучения помогают не только с поиском новых методологий лечения. Госпиталь Джонса Хопкинса использует системы ИИ для маршрутизации врачей и управления потоками людей в больнице, чтобы снизить время ожидания пациентов.

    На территории кампуса располагается командный центр, как в НАСА. В комнате висят 22 монитора, на которые поступают данные с четырнадцати ИТ-систем больницы, анализируемые умными алгоритмами.

    Система ИИ строит цифровую модель госпиталя и предсказывает активность пациентов на ближайшие 48 часов. С помощью системы сотрудники штаба перераспределяют нагрузку на врачей, оценивают количество свободных коек в палатах и определяют наиболее приоритетные задачи — выписать уже здоровых пациентов и принять тех, кому требуется неотложная помощь.

    Важно

    Система следит, сколько врачей работают «в поле». Когда их начинает не хватать, она сообщает об этом администраторам. В будущем решения командного центра позволят отслеживать и другие риски, например, опасность распространения инфекции.

    Центр начал свою работу в феврале 2016 года, и как отмечают врачи госпиталя, с того момента время ожидания в операционных снизилось на 70%, а пациентам из «неотложки» стали оказывать помощь на 30% быстрее.

    Другой пример — система в Кливлендской клинике. Пару лет назад госпиталь в партнерстве с Microsoft внедрил интеллектуальную технологию, определяющую пациентов в реанимации, которым может срочно потребоваться вазопрессорная терапия.

    Алгоритмы Microsoft используют специально разработанную модель бинарной классификации, которая оценивает данные, поступающие с медицинского оборудования в реанимации.

    На их основе она предсказывает, понадобятся ли вазопрессорные препараты больному в ближайшие восемь часов.

    Система стала еще одной парой глаз, которая следит за пациентом и дает врачам время подготовиться к критическим ситуациям.

    Создание лекарств

    Специалисты из Центра Тафтса, занимающегося исследованиями в сфере разработки лекарств, установили: создание нового препарата обходится в $2,9 млрд. А его разработка может длиться порядка 12 лет.

    Сложность в процессе разработки заключается в поиске новых молекул, которые образуют необходимые связи с белками и борются с болезнью. Для этого обрабатываются большие объемы информации и проводится множество тестов, а это процедура времязатратная. Потому исследователи из фармацевтических компаний и обратились к системам искусственного интеллекта.

    Платформа Exscientia, основываясь на обширных сводах медицинской информации, отбирает наиболее перспективные молекулы, что позволяет разрабатывать новые препараты быстрее и дешевле.

    Совет

    Генеральный директор Exscientia Эндрю Хопкинс говорит, что их платформа сокращает время и стоимость разработки нового лекарства на 75%. В частности, исследователям из Exscientia в партнерстве с коллегами из фармакологической компании Sumitomo Dainippon удалось завершить поиск молекулы для препарата, направленного на лечение психиатрических расстройств, всего за 12 месяцев.

    Руслан Зайдуллин, основатель Doc+, — о том, что делать Минздраву и о проблемах в российской медицине

    Системы искусственного интеллекта автоматизируют решение большого количества рутинных, но важных задач, которые сегодня выполняют врачи и исследователи.

    Области применения разнятся от проверки наличия медстраховки и анализа медкарт до расшифровки результатов лабораторных анализов и помощи в диагностике заболеваний.

    Умные технологии постепенно проникают во все процессы, происходящие в больницах.

    В будущем эта практика приведет к значительному повышению качества медобслуживания и более точному назначению лекарств.

    Глобальный подход со временем позволит не только подбирать персонализированные методы лечения для каждого пациента, но даже предсказывать генетические предрасположенности к заболеваниям и предотвращать их.

    Это кардинальным образом изменит привычную систему здравоохранения и сделает ее более ориентированной на пациента.

    Источник: https://hightech.fm/2018/08/13/medicineai

    Ссылка на основную публикацию