В настоящее время генеративные нейросети исследуются на предмет их применения в различных медицинских направлениях: от проведения диагностических мероприятий, до профилактических процедур и применения в вирусологии и генетике. Совсем недавно стало известно о разработке нового препарата, который был создан с помощью искусственного интеллекта (ИИ) и предназначен для борьбы с агрессивным и часто смертельным заболеванием лёгких. В настоящее время эти исследования вступили во вторую фазу клинических испытаний, которые проводятся в Китае и США. Как сообщает компания Insilico Medicine, занимающаяся разработкой лекарств с помощью ИИ, это первый в мире препарат, созданный с помощью ИИ. Компания заявила, что её методология, основанная на ИИ,
позволила ускорить и повысить эффективность открытия лекарств и является доказательством “многообещающего потенциала генеративных технологий искусственного интеллекта для преобразования отрасли”. Insilico — глобальная биотехнологическая компания с офисами и исследователями в Гонконге и материковом Китае, Европе, на Ближнем Востоке и в Северной Америке. Основатель и генеральный директор компании Алекс Жаворонков рассказал Post, что, хотя генеративный ИИ стал широко известен только в последние годы, он уже десять лет изучает возможности его применения в биомедицинских исследованиях.
“Интеграция ИИ, робототехники и исследований в области старения позволит нам найти полное излечение от таких сложных заболеваний, как болезнь Альцгеймера и Паркинсона, а также многих других”, — сказал Жаворонков, добавив, что ИИ способен предоставить человеку инструменты, позволяющие полностью избежать этих болезней.
В 2014 году компания начала обучение глубоких нейронных сетей для понимания процесса старения человека, используя возможности ИИ для записи, отслеживания и анализа состояния здоровья людей на протяжении всей их жизни.
“ИИ может понять миллиарды людей, просто поняв, что такое старение. Затем он может начать понимать основную биологию болезней, и не только для того, чтобы замедлить их развитие”, — говорит Жаворонков.
“В идеальном сценарии мы хотим добиться того, чтобы болезнь полностью исчезла или её не было вовсе”.
Жаворонков, который называет старение “биологией во времени”, является экспертом в области генеративной биологии и химии, а также в исследованиях старения и долголетия.
“Биология человека и гомеостаз (состояние равновесия между системами организма) вашего тела со временем разрушаются. Именно это и происходит при заболевании. Болезни ускоряют этот процесс или вызываются им. Поэтому, не понимая процесса базового старения человека, вы не сможете понять большинство болезней”, — сказал он.
Идиопатический лёгочный фиброз (ИЛФ) приводит к хроническому рубцеванию лёгочной ткани, что затрудняет дыхание. Этим заболеванием страдают 5 миллионов человек во всём мире, в основном старше 60 лет, и оно характеризуется высоким уровнем смертности. Медиана выживаемости пациентов, не получающих лечения, составляет два-три года.
Причина заболевания неизвестна, и вылечить его невозможно, но некоторые методы лечения помогают облегчить симптомы и замедлить прогрессирование болезни. Многие пациенты, получающие стероиды, страдают от прогрессирующего снижения функции лёгких и погибают от дыхательной недостаточности.
В новом исследовании учёные использовали генеративный искусственный интеллект для поиска антифибротической мишени и её ингибитора, что значительно сократило традиционные сроки разработки лекарств, которые зачастую могут занимать более десяти лет.
“Эта работа была завершена примерно за 18 месяцев от обнаружения мишени до доклинического выдвижения кандидата и демонстрирует возможности нашей генеративной системы поиска лекарств, управляемой искусственным интеллектом”, — говорится в статье, опубликованной в пятницу в рецензируемом журнале Nature Biotechnology.
Сначала исследователи обучили механизм идентификации мишеней на платформе искусственного интеллекта Insilico, используя данные и публикации о фиброзе. Это заболевание приводит к утолщению или рубцеванию тканей, что может снизить эластичность органов.
Фиброз тесно связан с процессом старения, в результате которого возникает хроническое воспаление, приводящее к фиброзу.
С помощью предиктивного искусственного интеллекта белок, сокращённо называемый TNIK, стал главной антифибротической мишенью. Затем команда использовала генеративный химический механизм для создания около 80 кандидатов малых молекул, чтобы найти оптимальный ингибитор, известный как INS018_055.
“[Ингибитор] проявляет желаемые лекарственные свойства и антифибротическую активность в различных органах… при пероральном, ингаляционном или местном применении”, — пишут учёные.
По их словам, это исследование “доказывает, что генеративные платформы ИИ предлагают эффективные по времени решения для создания целевых препаратов с мощной антифибротической активностью”.
“Мы считаем, что это исследование подчёркивает силу подходов к поиску лекарств с помощью искусственного интеллекта, которые, вероятно, произведут революцию в открытии лекарств”.
По словам компании, одновременные клинические испытания фазы 2a препарата INS018_055, проходящие в Китае и США с участием 60 пациентов в каждом, позволят оценить его безопасность, переносимость и фармакокинетику — взаимодействие организма с веществом в течение определённого времени — а также его предварительную эффективность в отношении функции лёгких у пациентов с ИЛФ.
Отвечая на вопрос о важности искусственного интеллекта в исследованиях по открытию лекарств, ИИ-чатбот Insilico, созданный на основе ChatGPT, выдал: “Упрощая начальные этапы открытия лекарств, ИИ позволяет нам быстрее достичь стадии клинических испытаний, сосредоточив ресурсы и усилия на этих важнейших этапах разработки”.
“Хотя ИИ способен ускорить решение задач, связанных с открытием лекарственных препаратов на ранних стадиях, таких как определение мишеней и оптимизация ведущих звеньев, он не позволяет существенно сократить продолжительность клинических испытаний.
“Этапы клинических испытаний по-прежнему требуют много времени для утверждения этических и регуляторных норм, набора пациентов, продолжительности лечения и анализа данных.”
Дополнительно
Разработка и синтез лекарственных препаратов
Создание нового лекарственного препарата от идеи до запуска массового производства занимает до десяти лет. Также дополнительно требует миллиардов долларов инвестиций на работу исследовательских команд и запуска многоэтапного тестирования. В среднем, по статистике, только 12% созданных препаратов получают патент и разрешение на производство, остальные же не проходят клинические тестирования, и процесс начинается заново.
Именно поэтому машинное обучение и нейросети стали использовать, чтобы упростить процесс создания лекарственных препаратов. На сегодня в мире существует примерно 30 масштабных проектов с использованием искусственного интеллекта, которые работают в этом направлении.
Американское управление по санитарному надзору за качеством пищевых продуктов и медикаментов запустило собственный проект, цель которого — на порядки сократить траты на клинические исследования с помощью машинного обучения.
ИИ проекта обучен на основе 20 последних лет клинических исследований американских препаратов. И, по данным экспертов, с его помощью можно значительно увеличить вероятность успешного прохождения исследований: с 12% до 80%.
По предварительным оценкам, использование искусственного интеллекта и нейросетей поможет сократить инвестиции в создание лекарственных препаратов в четыре раза, а время разработки — в два раза.
Пока что концерны используют ИИ только как вспомогательный инструмент для синтеза лекарств, проводя все стадии клинических исследований как обычно. Но проекты уже показывают хорошие результаты.
ИИ на службе нутрициологии
Успехи искусственного интеллекта в создании вакцин от коронавируса известны всему миру. Компьютерные технологии сократили время разработки результативной вакцины буквально до нескольких месяцев, когда для классических методов исследований требуется минимум год-два.
Но на самом деле исследования куда глубже, чем можно представить. И касаются они не только вирусологии, но также профилактической медицины и нутрициологии, для которых анализируют натуральные органические соединения. Их существует десятки миллиардов, поэтому исследования вручную не слишком эффективны.
Клинические испытания требуют крупных инвестиций и могут длиться несколько лет. Для разработки нового препарата нужно протестировать на клеточных культурах десятки и сотни химических соединений, которые в дальнейшем нужно будет проверить и на живых организмах. Из-за этого все фазы клинических испытаний могут занять несколько лет.
Компьютерные мощности способны помочь исследователям, значительно ускорив процесс создания новых лекарственных препаратов, а также ощутимо сократить расходы на проведение дорогостоящих клинических испытаний. К примеру, британо-ирландская компания Nuritas использует искусственный интеллект для поиска активных органических соединений, которые в теории можно использовать для лечения и предотвращения болезней.
Как утверждают специалисты компании, технология анализа химических соединений с помощью искусственного интеллекта в 600 раз точнее и в десять раз быстрее, чем стандартные методики.
Впрочем, без человека пока еще не обойтись. После того, как нейросеть обнаруживает перспективное соединение, за глубокое исследование берутся биохимики.
За восемь лет сотрудники компании зарегистрировали 65 патентов в медицинской отрасли, сейчас компания активно разрабатывает препараты для восстановления мышц, нормализации метаболизма глюкозы и замедления клеточного старения.
Это лишь один из нескольких десятков проектов, которые изучают химические соединения для разработки диетических и биологических пищевых добавок, а также лекарственных препаратов. А развитие искусственного интеллекта в перспективе еще больше ускорит исследования и улучшит их результативность.
Исследование редких болезней нейросетями
На сегодня 95% редких болезней не имеют стандартизированных и международно принятых схем лечения.
Согласно данным Всемирной организации здравоохранения, редкими считаются болезни с распространенностью от 1 случая на 1 000 человек до 1 случая на 200 000 человек.
Концерны не слишком часто инвестируют средства в поиски лекарств от таких болезней. Ведь на изобретение одного препарата компания тратит от $200 млн до $2 млрд. Время окупаемости таких исследований составит десятки лет, если они вообще когда-нибудь окупятся.
Основная сложность лечения редких болезней не в синтезе лекарств и лабораторных тестированиях, а в недостатке клинических данных.
Поэтому компания Healx с помощью нейросетей создает полную информационную базу 7 000 редких болезней, в которой собирает все ведомости из научных материалов, баз данных пациентов и исследований лекарств.
Созданная база помогла при разработке лекарства от синдрома Мартина-Белл. За 18 месяцев команда смогла создать препарат, который уже успешно прошел две фазы клинических исследований. Для сравнения, в обычных условиях разработка и тестирование лекарственного препарата занимает от пяти до десяти лет. При этом затраты на его создание просто на порядки меньше классических.
В части поиска информации и ее классификации нейросети показывают отличные результаты. Они способны относительно быстро сканировать интернет на всех существующих языках, собирая данные, которые касаются конкретной темы. Добиться такой эффективности при работе вручную не получится.
Искусственный интеллект и персонифицированная медицина
Для большинства наиболее распространенных болезней разработаны терапевтические схемы приема лекарственных препаратов. Для лечения некоторых болезней (например, туберкулеза или онкологии) единственными эффективными препаратами выступают довольно токсичные вещества. Из-за низкой селективности такие лекарства оказывают побочные действия, пагубно влияют на печень, почки и сердечно-сосудистую систему. И если ранее альтернатив не существовало и применение агрессивных препаратов считалось допустимым с причинением ущерба для здоровья в процессе лечения, то сейчас методика меняется. Развитие медицины и медицинской химии позволяет работать не только над поиском принципиально новых лекарств, но и над подбором оптимальных схем лечения по уже известным методикам.
Индивидуальная дозировка препаратов, имеющих сильные побочные эффекты, могла бы снизить негативное влияние на пациентов, но сложность расчетов не позволяет проводить их массово. К тому же их нужно проводить несколько раз в день.
Нейросети способны проводить такие расчеты быстро и качественно. Так, в 2018 году ученые Национального университета Сингапура разработали инновационную систему CURATE.AI для комбинационной терапии раковых больных с помощью искусственного интеллекта.
Уже во время первого тестирования система показала свою эффективность. Для пациента с прогрессирующим раком простаты система рассчитывала индивидуальную комбинацию препаратов на протяжении всего курса лечения.
Как результат — рост опухоли значительно замедлился, а затем болезнь и вовсе перешла в стадию ремиссии. При этом дозировки препаратов были практически в два раза меньше, чем при стандартной терапии таких случаев.
Персонализация терапии открывает невообразимые возможности для медицины. При наличии достаточного количества данных нейросети и другие методы машинного обучения могут помочь не только оперативно решать задачу оптимизации дозы, но и подбирать комбинации препаратов для повышения эффективности лечения, определять наиболее результативную тактику лечения и предотвращать критические состояния пациента уже на самых ранних стадиях.
Подобные системы уже используются для контроля состояний пациентов и сбора долговременных медицинских данных, но со временем они будут все сильнее интегрированы в отрасль здравоохранения. Важно отметить, что в последние годы всё больше внимания привлекают именно методы профилактики и ранней диагностики заболеваний.
Искусственный интеллект — это сильный инструмент, который способен принести пользу во многих отраслях и сферах медицины. Нейросети и другие методы машинного обучения уже сегодня помогают создавать новые лекарства, исследовать болезни, мониторить состояние пациентов. Пока что их внедряют только крупные исследовательские центры и самые передовые клиники, но их влияние на медицину уже огромно.
Сейчас идет активное развитие нейросетей в медицине — гораздо быстрее, чем можно представить. Большинство проектов и исследований не становятся известными широкой публике и появляются только в специализированных журналах. Тем не менее, они постепенно, шаг за шагом превращают медицину сегодняшнего в медицину будущего. И скоро мы это увидим своими глазами.
Автор основной части статьи: Вячеслав Голованов @SLY_G
Автор дополнительной части статьи: Анастасия Никитина
Источники: https://habr.com/, https://hightech.fm/
