Что почитать: «Искусственный интеллект в медицине» Эрика Тополя

Как использование искусственного интеллекта (ИИ) отразится на диагностике и лечении? Как будут взаимодействовать врач и пациент, если обработкой данных займутся машины? Какие перспективы у использования ИИ в медицине? Об этом подробно рассказывает Эрик Тополь — врач, ученый и исследователь — в своей книге «Искусственный интеллект в медицине: как умные технологии меняют подход к лечению», которая на русском языке вышла в издательстве «Альпина Паблишер».

Ниже фрагмент из книги о том, как ИИ помогает открывать молекулы и разрабатывать лекарства.

Открытие и разработка лекарств

Успешная идентификация и валидация «кандидата» на роль нового лекарства — одна из самых трудных проблем биомедицины и к тому же одна из самых дорогостоящих. Огромная стоимость и высокий риск неудачи подхлестывают освоение любых технологий, которые позволили бы снизить расходы и уменьшить трудности в разработке нужных соединений. Десять лет назад начали вкладывать значительные средства в робототехническое оборудование для высокопроизводительного массового скрининга молекул; теперь же основной упор делается на алгоритмическую автоматизацию. К 2018 г. появилось более 60 стартапов и 16 фармацевтических компаний, использующих искусственный интеллект для открытия лекарств. Подобно ученым, «смоделировавшим» рак у головастиков, эти группы внедряют многочисленные инструменты ИИ с той же целью — чтобы найти иголку в стоге сена: и прочесывая биомедицинскую литературу, и изучая миллионы молекулярных структур in silico (для прогнозирования побочных эффектов и токсичности), и проводя масштабный анализ свойств клеточных механизмов живых клеток. В настоящее время предпринимаются попытки ускорить разработку более мощных фармакологически действующих веществ (автоматизация проектирования действующих веществ). Есть даже надежда (и обнадеживающие предварительные данные), что химический скрининг с помощью искусственного интеллекта поможет заметно сократить потребность в доклинических испытаниях лекарств на животных. Стратегии этих компаний в отношении использования ИИ на удивление разнообразны, поэтому я опишу только некоторые из них, чтобы вы сами смогли оценить мощный потенциал искусственного интеллекта.

Использование методик обработки естественного языка для усвоения искусственным интеллектом всего, что известно о лекарствах и действующих веществах из биомедицинской литературы и баз данных по химии, — это лишь начало большого пути. Еще одно преимущество — это анализ данных, свободный от предварительных гипотез, порождающих когнитивные искажения (такие, как «эффект излюбленной теории»).

Все мы слышали, что на небе больше звезд, чем на Земле песчинок. Этот галактический масштаб можно приложить и к числу синтетических препаратов. Существует 1060 химических соединений с лекарственными свойствами, которые можно изготовить, — то есть число синтетических низкомолекулярных препаратов превышает число атомов в Солнечной системе. Это превосходное поле приложения возможностей искусственного интеллекта, и компания Excientia разрабатывает полный каталог этих соединений, а компания Epidyone упорядочила 100 млн соединений, которых пока не существует, но которые можно легко синтезировать. Эти работы выполняются не только компаниям и стартапами. Брайан Шойхет из Калифорнийского университета в Сан-Франциско возглавил проект по разработке болеутоляющих препаратов: его сотрудникам удалось сократить список из 3 млн соединений до 23 наименований. Химики из Мюнстерского университета в Германии воспользовались алгоритмами глубокого обучения, чтобы сделать более предсказуемым и простым синтез нужных соединений. Робот по имени Ева из Кембриджского университета, умеющий делать скрининг библиотеки с помощью алгоритмов искусственного интеллекта, нашел множество доказательств механизма действия одного из противомалярийных лекарств. Жан-Луи Реймон из Бернского университета свел воедино базу данных, известную под названием GB-17, где собраны 166 млрд соединений, которые представляют все химически возможные действующие вещества, состоящие из 17 и менее атомов. Алгоритмы, созданные методом ближайших соседей, тратят всего несколько минут на просеивание всей этой базы данных для обнаружения новых веществ, которые обладают свойствами известных лекарств. Оказалось, что многие соединения в базе данных Реймона трудно синтезировать, и он сократил список, оставив «шорт-лист» из легко синтезируемых соединений. Их оказалось всего-то 10 млн!

Прогнозирование химических реакций с помощью машинного обучения продвинулось далеко вперед, примером чему может служить исследование, опубликованное Эбигейл Дойл и ее коллегами в 2018 г. Когда она рассказывает о своей работе, все кажется очень простым: «Вы набрасываете структуры — исходные материалы, катализаторы, основные реагенты, — а программа вычисляет общие дескрипторы (общие химические свойства) для всех компонентов. Это ваш вход. Выход — то, что вы получаете в результате реакции. С помощью алгоритмов машинного обучения компьютер подгоняет все дескрипторы к результату. Получается, что вы сможете ввести любую структуру, и система предскажет вам результат реакции».

Компания Insilico Medicine, работая над получением противораковых препаратов, занимается скринингом 72 млн соединений из открытых баз данных благодаря творческому использованию нескольких генеративно-состязательных нейронных сетей. Первая цель — выявление потенциально активных в лечебном плане веществ, а вторая — удаление тех из них, которые являются основой ранее запатентованных лекарств.

BenevolentAI, одна из крупнейших в Европе частных компаний, работающих с искусственным интеллектом, создала систему, использующую обработку естественного языка для просмотра биомедицинской литературы и баз данных по химическим веществам. Одна из самых впечатляющих работ, посвященных применению искусственного интеллекта в области открытия новых лекарственных средств, принадлежит Марвину Зеглеру, химику-органику из BenevolentAI. Зеглер и его коллеги из Мюнстерского университета разработали алгоритм глубокого самообучения, который прогнозирует течение реакции на основании миллионов примеров. Этот алгоритм использовали для создания низкомолекулярных органических препаратов с применением более чем 12 млн известных одноступенчатых химических реакций. Ученые даже протестировали свою работу на химиках из двух престижных институтов: в ходе тестирования двойным слепым методом им следовало отличить реакции синтеза, предложенные химиками, от идей искусственного интеллекта. Ученые не смогли этого сделать. Подобным же образом Лерой Кронин и его группа в Университете Глазго создали робота, способного осуществлять органический синтез, используя машинное обучение для поиска новых химических реакций. Этот робот способен выполнять в день 36 реакций, а человек-химик — только три или четыре. Более того, робот выполнял реакции, результат которых было невозможно предсказать заранее. По поводу такого прогресса химик-фармацевт Дерек Лоу заметил: «Идея, будто интеллектуальные задачи можно приравнять к автоматизированной нудятине, вероятно, покажется многим химикам оскорбительной, и они воспримут ее как угрозу. Но если уж на то пошло, искусственный интеллект высвободит время, которое химики смогут потратить на обдумывание вопросов более высокого порядка, — например, какие действующие вещества нужны и почему, — вместо того, чтобы зацикливаться на деталях получения этих веществ».

Компания Recursion Pharmaceuticals, занимающаяся обработкой медицинских изображений, использует алгоритмы и автоматизированные микроскопы, способные с высокой скоростью выполнять тестирование лекарств на клетках человеческого организма, детально анализируя такие параметры клеток, как размер и форма ядра. Было смоделировано более 2 тыс. действующих веществ, чтобы посмотреть, какие из них могут преобразовывать больные клетки в моделях генетических заболеваний в клетки, которые выглядят как здоровые. С помощью этой стратегии компания определила по меньшей мере 15 новых вариантов лечения различных заболеваний, причем один из них, для лечения кавернозных ангиом головного мозга, проходит сейчас клинические испытания.

Как следует из названия, компания Deep Genomics (дословно — «Глубокая геномика») занимается связыванием исследований генома с глубоким машинным обучением. Еще в 2014 г. группа в Торонто, руководимая Бренданом Фреем, опубликовала впечатляющую статью о «коде сплайсинга» у человека, что позволило выявить тысячи потенциальных мишеней воздействия при таких поражениях, как расстройства аутического спектра или спинальная мышечная атрофия.

Компания Atomwise применяет алгоритмы глубокого обучения для скрининга миллионов молекул, что к концу 2017 г. привело к реализации почти трех десятков проектов по созданию новых лекарств для лечения целого спектра заболеваний — от лихорадки Эбола до рассеянного склероза. Разработанная компанией нейросеть при помощи 3D-моделей позволила сконструировать 72 лекарства с наиболее высокой вероятностью благоприятного воздействия на молекулярные механизмы развития отдельных заболеваний. Гисберт Шнайдер из Швейцарского федерального технологического института по этому поводу заметил: «Концепция автоматизированного поиска лекарств может помочь значительно сократить число соединений, которые приходится тестировать в медицинской химии, и в то же время выстроить рациональный беспристрастный фундамент для адаптивного конструирования нужных действующих веществ».

Использование искусственного интеллекта в этой сфере выходит за рамки содействия открытию лекарств — решается еще и задача прогнозирования адекватной дозировки экспериментальных лекарств. Так как оптимальная доза лекарства может зависеть от очень многих переменных (возраст, пол, масса тела, генетические особенности, протеомика, микробиом кишечника и т. д.), расчет дозы становится оптимальным объектом приложения алгоритмов моделирования и глубокого обучения. Трудность правильного подбора дозы усугубляется возможностью лекарственного взаимодействия. К этому подходу начали прибегать уже многие научные центры, включая Калифорнийский университет в ЛосАнджелесе, Стэнфордский университет, Политехнический институт Вирджинии и Канзасский университет. Вот что говорит Хосеп Бассаганья-Риера из Политехнического института Вирджинии: «Каждый человек отличается своим уникальным набором физиологических и морфологических параметров, и нам надо понять, что означает эта уникальная смесь характеристик, а не анализировать каждый индивидуальный признак. В этом способно помочь машинное обучение».

Конечно, в отношении искусственного интеллекта очень много лишней шумихи, что видно и по заголовкам в СМИ: например, «ИИ обещает прорыв в лечении болезни Альцгеймера». Или чего стоит заявление компании BenevolentAI, которая гарантирует «сократить время разработки лекарств на четыре года и повысить эффективность работы на 60% по сравнению со средней эффективностью работы в фармацевтической отрасли». Только время покажет, воплотятся ли в жизнь проекты потенциальных революционных преобразований отрасли.