"AI memiliki dua area yang benar-benar membuat saya merasa sangat menjanjikan. Satu adalah mengemudi otonom untuk bepergian, dan yang lainnya adalah perawatan kesehatan." Presiden Prancis Macron baru-baru ini mengumumkan serangkaian kebijakan tingkat nasional kecerdasan buatan, yang dengan jelas menyebutkan potensi besar AI di bidang medis.
Gambar Presiden Prancis Macron
Ini adalah konsensus di seluruh dunia bahwa kecerdasan buatan dapat membawa inovasi ke bidang perawatan kesehatan dan menemukan perawatan atau obat baru (bukan untuk menggantikan dokter, setidaknya tidak dalam jangka pendek), seperti melatih mesin untuk melihat gambar medis, apakah itu Computed tomography (CT), resonansi magnetik nuklir (MRI), dan sinar-X semuanya menarik investasi dari Google dan banyak perusahaan baru. Pada awal 2017, Badan Pengawas Obat dan Makanan AS (FDA) secara resmi menyetujui jaringan saraf pertama dan berbasis cloud. Platform analisis pencitraan medis Arterys Cardio DL, setelah membaca gambar MRI jantung, secara otomatis menggambar garis bentuk ventrikel dan mengukur aliran darah saat jantung berkontraksi.
Pengembangan obat baru adalah proses yang mahal dan lama
Di saat yang sama, ada bidang lain yang memiliki ekspektasi tinggi, yaitu farmasi. Dalam industri farmasi, termasuk biaya R&D dan biaya waktu, pengembangan obat baru adalah tugas dengan biaya masukan yang sangat tinggi tetapi tingkat keberhasilan yang rendah. Cancer Research UK (Cancer Research UK) menunjukkan bahwa Seringkali tidak ada jadwal untuk pengujian dan persetujuan. Mungkin perlu 10 hingga 15 tahun untuk menyelesaikan semua fase uji klinis sebelum mendapatkan izin. Oleh karena itu, perusahaan farmasi besar tidak punya pilihan selain mengumumkan pengabaian pengembangan obat tertentu, yang sering menjadi berita. Tahun ini 1 Pfizer mengumumkan penghentian obat baru yang sedang dikembangkan di bidang ilmu saraf, termasuk penyakit Alzheimer dan penyakit Parkinson. Namun, ketika obat tersebut diperkenalkan dari laboratorium ke pasaran, apakah bisa bertahan di pasaran adalah soal lain.
Oleh karena itu, biaya R&D yang tinggi dan proses pengujian yang panjang dapat digambarkan sebagai titik sakit dari seluruh industri. Jika salah satu langkah dapat dipercepat dalam proses yang panjang ini, ini mungkin memainkan peran penting dalam keseluruhan rantai industri. Metode apa yang dapat membantu para ilmuwan? , Pengembang obat mempercepat laju penelitian dan pengembangan untuk mengobati penyakit penting termasuk kanker, penyakit Alzheimer, dan penyakit Parkinson?
Kecerdasan buatan telah menjadi perspektif baru, pilihan baru. Pfizer, Merck dan raksasa farmasi lainnya serta tim peneliti universitas telah mencoba AI dan pembelajaran mesin untuk penemuan obat dan pengembangan obat baru. Misalnya, Genentech berencana untuk menggunakan pembelajaran mesin dan platform simulasi REFS yang dikembangkan oleh perusahaan obat presisi GNS Untuk menemukan dan memverifikasi calon obat potensial. Insilico Medicine, sebuah perusahaan startup Amerika, adalah yang pertama memperkenalkan Generative Adversarial Network (GAN) yang populer untuk memprediksi molekul obat dengan efek terapeutik terbaik.
Proses pengembangan obat baru
Sebelum membahas bagaimana GAN dapat dikombinasikan dengan pengembangan obat baru, mari kita pahami secara singkat penelitian dan pengembangan (RD) obat. Penelitian tentang obat lebih condong pada eksplorasi dan efek obat yang termasuk dalam tahap depan; dan Pengembangan sebagian besar ditujukan pada potensi terapeutik. Komersialisasi obat meliputi proses pembuatan, pengujian hewan, dan observasi khasiat. Keseluruhan proses dimulai dari Penemuan Obat awal, mencari calon obat yang potensial, memasuki uji toksikologi praklinis, lalu ke uji klinis. Biasanya ada empat tahapan dalam bagian uji klinis. Beberapa uji coba awal Uji coba fase 0 disebut uji coba fase 0. Pada fase 1 sampai 3 jumlah subjek uji secara bertahap meningkat. Efek dan dosis optimal diamati dari kelompok kontrol dan eksperimen. Fase 4 adalah mengamati apakah obat tersebut telah disetujui untuk dipasarkan. Efek samping yang serius dll.
Industri farmasi cukup matang menggunakan komputer untuk pengembangan obat, seperti skrining dan desain obat dengan bantuan komputer, skrining throughput tinggi (HTS), dll. Liu Shining, seorang analis bioteknologi di TrendForce, sebuah lembaga penelitian, mengatakan kepada DT Jun, Penyaringan dan desain obat tradisional berbantuan komputer, algoritmanya didasarkan pada pemahaman orang tentang interaksi antara atom atau molekul, termasuk migrasi elektron, ikatan hidrogen, struktur tiga dimensi, tarikan elektrostatis, daerah hidrofobik, dll. Secara keseluruhan, ada dua kategori besar metode, berbasis reseptor (berbasis reseptor), juga dikenal sebagai situs aktif, dan berbasis struktur, juga dikenal sebagai desain bantuan obat pencarian database dan skrining massal.
Gambar Analis TrendForce, Liu Shining
Di masa lalu, dimungkinkan untuk mengetahui bahwa molekul obat yang dipilih atau dirancang (disebut ligan) dapat dikombinasikan dengan reseptor, yang memiliki afinitas dan aktivitas farmakologis yang dapat diprediksi, tetapi untuk kemanjuran sebenarnya dari molekul obat baru dalam tubuh manusia. Dan keamanan dalam kondisi yang tidak diketahui.
Lebih lanjut dia menunjukkan bahwa arah perkembangan baru adalah mencoba mengintegrasikan informasi genetik (genom), informasi ekspresi RNA (transkrip), informasi ekspresi protein (badan protein), data medis elektronik, dan literatur klinis. Namun karena jumlah datanya yang sangat besar, maka tidak mungkin lagi menggunakan metode manual untuk mengolah setiap informasi, apalagi membuat aturan yang sesuai untuk skrining obat dan desain obat.Oleh karena itu, metode pengolahan data big data, serta machine learning dan mendalam Pelajari teknologi AI lainnya.
Dibandingkan dengan masa lalu, desain dan skrining obat yang dibantu AI didasarkan pada informasi yang dikumpulkan oleh perbedaan individu yang diketahui pada orang, mekanisme penyebab penyakit, dan efek obat yang ada dalam tubuh manusia. Oleh karena itu, molekul obat yang baru diproduksi diharapkan dapat terbentuk. Tubuh manusia memiliki pemahaman tertentu dan prediktabilitas dari kemungkinan efek dan efek Meskipun proses pengembangan obat harus diikuti langkah demi langkah dalam tindak lanjut, ada peluang untuk meningkatkan tingkat keberhasilan obat baru dan menemukan arah baru untuk penggunaan obat yang sudah ada.
GAN tidak hanya dapat mengubah wajah, tetapi juga mengembangkan obat baru
GAN, yang terpilih sebagai salah satu dari sepuluh teknologi teratas tahun 2018 oleh MIT Technology Review, unik karena melatih dua jaringan pada saat yang sama, satu adalah jaringan generator, juga dikenal sebagai generator, dan yang lainnya adalah Jaringan diskriminator (diskriminator network) disebut juga diskriminator (diskriminator). Generator hanya memikirkan satu hal: menipu diskriminator berarti membuat diskriminator merasa apa yang dilakukannya itu nyata atau baik; dan tugas diskriminator adalah memahami apa yang nyata dan apa yang dibuat oleh generator. Terbuat. Sederhananya, seseorang dapat menganggapnya sebagai penipu dan yang lain sebagai polisi. Penipu berusaha untuk menjadi sempurna dan mencegah polisi menemukan kekurangannya, sementara polisi repot-repot mencari kekurangan dan menangkap penjahat. Dengan membiarkan kedua jaringan ini berhadapan dan bersaing satu sama lain, tetapi dalam proses belajar dari satu sama lain, kecerdasan buatan berkualitas tinggi dilatih.
Saat ini, aplikasi utama GAN sebagian besar dalam gambar, video, dan bahasa, dan mereka telah mencapai kinerja yang sangat baik.Sebagai contoh, AI Cina Unicorn Shangtang menggunakan GAN untuk resolusi super gambar, kecantikan otomatis foto, dan judul gambar. Generasi, atau DeepFake yang penuh gejolak juga menggunakan GAN untuk mencapai "perubahan wajah" dari karakter dalam video.
"Banyak aplikasi GAN dalam pencitraan yang seperti sihir, tetapi kami berharap dapat menggunakannya untuk melakukan hal-hal yang sangat berpengaruh mempercepat penemuan obat," Artur Kadurin, Chief AI Officer dan Taiwan Executive Officer of Insilico Medicine, mengatakan hal ini kepada Mr. DT. Ia lebih lanjut menyatakan bahwa jumlah senyawa kimia (senyawa) yang mungkin ada di dunia sangat besar, "sebanyak 10 pangkat 60". Proses penemuan obat saat ini sebagian besar bergantung pada pencarian buta dalam database senyawa yang sangat besar ini. Saya berharap dapat menemukan senyawa timbal potensial sebelum kita dapat melanjutkan ke tahap pengujian praklinis berikutnya, inilah mengapa efisiensi pengembangan obat baru sangat rendah.
Gambar Artur Kadurin, Chief AI Officer of Insilico Medicine (Sumber: DT Jun)
Namun, pembelajaran mesin baru memiliki peluang untuk mendorong kemajuan seluruh industri. Pada awalnya, Insilico Medicine menggunakan pembelajaran mendalam untuk menyaring jutaan molekul dalam database molekuler. "Ini seperti menemukan jarum di tumpukan jerami. Inti dari GAN adalah kita bisa menghasilkan jarum yang sempurna sekarang," Dia memberi contoh yang sangat tepat. Insilico Medicine menggunakan pemodelan generatif untuk menghasilkan struktur molekul sesuai dengan karakteristik yang diperlukan, termasuk protein target dengan afinitas yang lebih tinggi, toksisitas rendah, dan kemampuan sintetis, sehingga membantu atau bahkan menggantikan proses penyaringan buta di atas.
Insilico Medicine menerbitkan sebuah makalah "The tumpah ruah dari petunjuk yang berarti: Menerapkan autoencoder musuh yang dalam untuk pengembangan molekul baru dalam onkologi", mereka menggunakan database skrining obat NCI-60 dari National Cancer Institute (NCI) untuk menargetkan sel kanker payudara MCF-7 Dari 6252 senyawa, sidik jari molekuler, konsentrasi molekul, persentase penghambatan pertumbuhan dan data lainnya untuk melatih jaringan saraf dalam AAE. Setelah dibandingkan dengan diskriminator, AAE dapat Berdasarkan karakteristik molekuler yang diinginkan, dihasilkan kandidat molekul yang berpotensi memiliki sifat anti kanker, dan diperkirakan 69 senyawa darinya, beberapa molekul telah digunakan untuk mengobati penyakit kanker, seperti leukemia dan kanker payudara.
Gambar Arsitektur AAE berdasarkan jaringan konfrontasi generatif (Sumber: Insilico Medicine)
Karena makalah ini dianggap sebagai aplikasi pertama GAN dalam pengembangan obat, maka makalah ini telah menarik perhatian kalangan deep learning. Yoshua Bengio dan Yann LeCun dari tiga raksasa jaringan saraf telah secara terbuka memuji penelitian ini, membuat Insilico Medicine terkenal. Pada 2017, itu juga dipilih oleh pendiri NVIDIA Huang Renxun sebagai salah satu dari 5 startup AI yang paling berpengaruh secara sosial.
Perusahaan medis anti-penuaan Juvenescence mendirikan perusahaan patungan Juvenescence.AI dengan Insilico Medicine tahun lalu, yang mengkhususkan diri dalam penggunaan kecerdasan buatan untuk pengembangan obat. Belum lama ini diumumkan bahwa keluarga senyawa pertama (keluarga senyawa) telah dipilih di antara senyawa yang ditemukan dengan AI. ) Untuk perkembangan klinis. Karena tim peneliti telah mengidentifikasi kandidat obat di bidang penyakit terkait usia tertentu dalam waktu kurang dari 6 bulan, hal itu menunjukkan potensi AI dalam eksplorasi obat baru.
Gambar Yoshua Bengio, salah satu dari tiga raksasa jaringan saraf, membagikan penelitian Insilico Medicine di Facebook
Gunakan blockchain untuk membangun platform transaksi data medis, yang memungkinkan pengguna mendapatkan keuntungan darinya
Selain menggunakan AI untuk mengembangkan obat baru, kombinasi blockchain dan bidang medis juga merupakan upaya baru.Terutama pasca skandal data Facebook, masalah penggunaan data dan perlindungan privasi data pribadi kembali mengemuka. Deep learning, Teknologi pembelajaran transfer mengubah data pribadi menjadi data medis untuk analisis prediktif. Namun, meskipun data berasal dari pasien, pasien tidak dapat memahami, apalagi mengontrol, akses ke rekam medis.
Data kesehatan sangat berharga. Google, Samsung, dan Apple semua menggunakan data ini untuk mengembangkan produk yang sangat berharga, tetapi orang-orang yang menyumbangkan data tersebut tidak mendapatkan manfaat yang layak mereka dapatkan. Oleh karena itu, Insilico Medicine bersatu dengan perusahaan teknologi blockchain Bitfury, merilis proyek Longenesis di Forum Pemimpin Global 2017 di Korea Selatan, dan menerbitkan sebuah makalah "Menyatukan blockchain dan teknologi kecerdasan buatan generasi berikutnya untuk mendesentralisasi dan mempercepat penelitian biomedis dan Kesehatan "menjelaskan pemikiran mereka.
Mereka pertama kali menggunakan AI untuk membuat model nilai, yang akan menilai nilai kombinasi data sesuai dengan konten data pengguna, waktu, dan parameter lainnya. Saat perusahaan R&D farmasi atau lembaga penelitian ingin menggunakan data tersebut, mereka akan memperkirakan biayanya. Uang akan dibayarkan kepada pengguna, artinya, ini adalah konsep "pasar data".
Gambar Di pasar data, ketika pelanggan ingin membeli data, model nilai akan mencari tahu berapa biayanya (Sumber: Insilico Medicine)
Secara umum, data dapat dibagi menjadi dua kategori: dinamis yang mencerminkan keadaan organisme pada saat pengambilan sampel, seperti tes darah, transkriptom, epigenome, proteome, mikrobioma, dll .; statis- Hal-hal yang sulit berubah selama masa pakai pengguna, seperti genom dan sidik jari. Diantara penyakit genetik bawaan, ada pula penyakit yang berkaitan dengan usia. Catatan tahun pertama kehidupan sangat penting untuk penelitian lebih lanjut tentang penyakit tersebut. Seiring bertambahnya usia, nilai datanya akan menurun, dan ada pula yang sebaliknya. Di profil pribadi pengguna, selain informasi umum seperti ras, tanggal lahir, jenis kelamin, dan golongan darah, juga terdapat data diagnostik, resep medis, vaksinasi, penyakit kronis, dll.
Gambar Jenis data prediksi dapat mencakup data langka, seperti karakteristik transkrip, komposisi rambut, dll., Serta data retrospektif, termasuk tes darah umum atau data dari jejaring sosial (Sumber: Insilico Medicine)
Selain itu, platform transaksi data medis Longenesis didasarkan pada kerangka kerja Exonum blockchain open source tingkat perusahaan, yang memiliki karakteristik blockchain. Pengguna dapat langsung mengunggah datanya ke sistem dan memiliki hak kepemilikan dan akses datanya. Mereka juga dapat Jual datanya kepada masyarakat yang memiliki kebutuhan data seperti pabrik farmasi dan unit penelitian, dan gunakan harga yang dihitung dengan model nilai untuk menghitung harganya, sehingga ditegaskan transparansi dan kewajaran harga. Pembeli data juga dapat memilih untuk membeli data dari satu pengguna atau kombinasi catatan dari jenis grup yang sama.
Selain itu, mengingat transaksi data lintas batas, mungkin terdapat beberapa kesulitan dalam pembayaran. Dalam visi mereka, ini dapat diselesaikan dengan mata uang terenkripsi, jadi mereka mengusulkan token yang disebut LifePound, yang nyaman untuk transaksi data, dan kedua, mereka yang menyumbangkan data juga bisa mendapatkan hadiah token.
Gambar Ekosistem pasar data medis mencakup blockchain, penyimpanan data, pengguna, dan contoh publik. Blockchain digunakan untuk memproses blok transaksi baru, menyimpan dan mengirim kunci, serta melakukan audit. Penyimpanan data berisi data terenkripsi. Pengguna mengirim dan menjual datanya, sistem akan memverifikasi data, dan pelanggan dapat membeli data medis pribadi dan berdagang dengan LifePound (Sumber: Insilico Medicine)
Untuk mempromosikan platform perdagangan data medis dengan menerbitkan makalah tetapi bukan ICO
Namun, Artur Kadurin menegaskan bahwa banyak proyek Initial Coin Offering (ICO) yang menyesatkan bahkan melibatkan penipuan. Untuk industri medis, kredibilitas harus diperhatikan.Oleh karena itu, Insilico Medicine saat ini belum memiliki ide atau rencana ICO. Mengapa kami memilih untuk menerbitkan makalah penelitian di jurnal terkait medis dan mengembangkan sistem blockchain tanpa ICO. "
Insilico Medicine sedang melakukan penelitian tentang verifikasi AI dan kontrol kualitas data yang dikirimkan ke sistem, sementara BitFury bertanggung jawab atas pengembangan teknologi blockchain. "Kami berencana untuk memulai dengan tipe data yang sederhana dan anonim, dengan harapan dapat membangun ekonomi berbasis data," Dia berkata.
Ekosistem data kesehatan pribadi berbasis blockchain ini memiliki dua tujuan. Yang pertama adalah memungkinkan pengguna untuk mengontrol data mereka sendiri dan mendapatkan penghargaan karena menyediakan data untuk tujuan penelitian atau komersial. Yang lainnya juga sangat penting. Diharapkan lebih banyak pengembang akan berpartisipasi dan menciptakan komunitas penelitian dan pengembangan medis. Ekosistem seperti itu memungkinkan badan pengatur, perusahaan farmasi dan produk konsumen untuk bertukar data, yang kemungkinan akan membawa manfaat bagi penemuan obat, pengembangan biomarker, dan perawatan kesehatan preventif. Metode dan kemajuan baru.
Gambar Ekonomi berbasis data pribadi: Individu memiliki kendali penuh atas data dan dapat diberi imbalan karena menyediakan data untuk tujuan penelitian atau komersial. Ekosistem seperti itu memungkinkan pembuat peraturan, perusahaan farmasi dan produk konsumen untuk bertukar data (data Sumber: Insilico Medicine)
Karena data medis pribadi lebih berharga daripada data umum dalam hal aksesibilitas dan nilai penelitian, masalah "data sangat berharga" telah disebutkan dan dipikirkan dalam industri medis. Insilico Medicine bukanlah yang pertama mengajukan gagasan ini perusahaan. Misalnya, Nebula Genomics, sebuah perusahaan pengujian genetik baru yang didirikan bersama oleh seorang ahli genetika dan profesor Universitas Harvard George Church, mengusulkan proyek pengujian pada awal tahun ini. Ia berencana untuk menyelesaikan seluruh pengurutan genom seharga $ 999 dan memperoleh mata uang kripto dengan membagikan data genetik. Mengizinkan konsumen untuk berbagi data genetik untuk mendapat untung darinya juga merupakan kasus terkenal menggunakan blockchain untuk transaksi data medis.
Meskipun proyek ini cukup tentatif, penyalahgunaan data pengguna Facebook telah benar-benar membuat marah pengguna Internet di seluruh dunia. Karena data tersebut dikontribusikan oleh pengguna, mengapa uang tersebut diperoleh perusahaan? Sebaliknya, pengguna harus diteliti oleh Anda. , Dan bahkan korban manipulasi, menyebabkan penurunan kesediaan sebagian orang untuk berbagi data, atau bahkan menolak untuk berbagi. Oleh karena itu, apakah kepemilikan dan nilai data harus dikembalikan kepada pengguna telah menjadi topik yang banyak dibahas.
Keabadian data Blockchain, desain enkripsi, kenyamanan transaksi, dan insentif bagi hasil benar-benar membantu pengguna yang ingin membagikan data mereka sendiri. Secara khusus, cara mengumpulkan data dalam jumlah besar selalu menjadi titik sakit di bidang medis, jadi ini Model bisnis yang inovatif mungkin merupakan upaya yang baik bagi industri medis untuk mempercepat laju penelitian obat dan penyakit, tetapi premisnya adalah bahwa ada seperangkat perlindungan data yang baik dan mekanisme perdagangan laba yang transparan.
Bekerja sama dengan Asia, akan mempublikasikan hasil baru di konferensi ICML
Dalam kebangkitan AI dalam beberapa tahun terakhir, gelombang puncak pertama dapat dikatakan telah dipicu oleh sistem pembelajaran mendalam yang melampaui manusia dalam pengenalan gambar, menarik banyak perhatian pada AI, dan gelombang klimaks kedua ada di catur "Computer Go". Dalam permainan, pembelajaran mendalam dan pembelajaran penguatan digunakan untuk sepenuhnya melampaui manusia. AlphaGo DeepMind telah mengalahkan banyak raja catur manusia, menunjukkan potensi aplikasi aplikasi AI yang luas. Menurut Artur Kadurin, "Puncak ketiga adalah secara khusus menggabungkan semua kemajuan ini dengan perawatan medis dan keahlian penemuan obat baru."
Meskipun penerapan AI dalam industri medis masih dalam tahap awal, Artur Kadurin menjelaskan bahwa penemuan obat baru adalah tugas yang sangat sulit. Tidak hanya membutuhkan tim profesional dan ahli, tetapi juga "sangat lebih sulit untuk memverifikasi". Saat Anda menggunakan data gambar, Anda dapat dengan cepat. Periksa apakah jaringan saraf dalam Anda menghasilkan sesuatu yang berarti, tetapi dalam kimia dan biologi, perlu waktu berbulan-bulan untuk menguji keluaran Anda, jadi biayanya jauh lebih tinggi. Ia juga mengungkapkan bahwa mereka telah bekerja sama dengan perusahaan farmasi ternama China dan pusat pengembangan bioteknologi Taiwan untuk melakukan verifikasi eksperimental. Mereka diharapkan mempublikasikan hasil riset dan pengembangannya di ICML 2018, konferensi teratas di industri AI pada bulan Juli. "Ini mungkin titik balik nyata untuk kecerdasan buatan dalam penemuan obat," Dia berkata.
Meskipun pengembangan obat baru dengan bantuan kecerdasan buatan telah menimbulkan harapan yang tinggi baik di dalam maupun di luar industri, Liu Shining menunjukkan bahwa AI adalah salah satu alat yang bermanfaat untuk memperkuat penemuan obat baru, tetapi efek sebenarnya masih perlu diverifikasi secara klinis. Kandidat molekul obat saat ini yang dikembangkan dengan bantuan AI diharapkan berkembang ke klinis fase I atau klinis fase II dalam waktu 3 sampai 5 tahun, yang berarti bahwa mereka akan mencapai "pertama dalam manusia" dan "bukti konsep pada manusia" Oleh karena itu, manfaat AI yang substansial dalam pengembangan obat baru secara bertahap akan muncul. Selain itu, waktu uji klinis yang diperlukan untuk pengembangan reposisi obat (indikasi baru) relatif singkat, mulai dari aspek ini diharapkan manfaat AI bagi pengembangan obat dapat segera dikonfirmasi.
Apakah AI bisa meraih sukses di bidang pengembangan obat seperti grafis atau game, saat ini masih merupakan pandangan yang netral, namun setidaknya memberikan cara baru.