211service.com
Programvara drömmer om nya molekyler i Quest for Wonder Drugs
Vad får du om du korsar aspirin med ibuprofen? Harvard kemiprofessor Alan Aspuru-Guzik är inte säker, men han är utbildad programvara som kan ge honom ett svar genom att föreslå en molekylstruktur som kombinerar egenskaperna hos båda läkemedlen.
AI-programmet kan hjälpa sökandet efter nya läkemedelsföreningar. Farmaceutisk forskning tenderar att förlita sig på programvara som uttömmande kryper genom gigantiska pooler av kandidatmolekyler med hjälp av regler skrivna av kemister, och simuleringar som försöker identifiera eller förutsäga användbara strukturer. Den förra förlitar sig på att människor tänker på allt, medan den senare är begränsad av noggrannheten i simuleringar och den datorkraft som krävs.
Aspuru-Guziks system kan skapa strukturer mer oberoende av människor och utan långa simuleringar. Den utnyttjar sin egen erfarenhet, byggd upp genom att träna maskininlärningsalgoritmer med data om hundratusentals läkemedelsliknande molekyler.
'Den utforskar mer intuitivt, med hjälp av kemisk kunskap den lärt sig, som en kemist skulle,' säger Aspuru-Guzik. 'Människor skulle kunna vara bättre kemister med den här typen av programvara som assistent.' Aspuru-Guzik fick namnet MIT Technology Review s lista över unga innovatörer 2010 .
Det nya systemet byggdes med hjälp av en maskininlärningsteknik som kallas djupinlärning, som har blivit genomgripande i datorföretag men är mindre etablerad inom naturvetenskap. Den använder en design som kallas en generativ modell, som tar in en mängd data och använder vad den lärt sig för att generera trovärdig ny data av sin egen.
Generativa modeller används mer vanligtvis för att skapa bilder, tal eller text, till exempel när det gäller Googles Smart Reply-funktion som föreslår svar på e-postmeddelanden. Men förra månaden Aspuru-Guzik och kollegor vid Harvard, University of Toronto och University of Cambridge publicerade resultat från att skapa en generativ modell tränad på 250 000 läkemedelsliknande molekyler.
Systemet skulle kunna generera trovärdiga nya strukturer genom att kombinera egenskaper hos befintliga läkemedelsföreningar och bli ombedd att föreslå molekyler som starkt uppvisar vissa egenskaper som löslighet och är lätta att syntetisera.
Vijay Pande , professor i kemi vid Stanford och partner med riskkapitalföretaget Andreessen Horowitz, säger att projektet lägger till de växande bevisen för att nya idéer inom maskininlärning kommer att förändra vetenskaplig forskning (se Stoppa bröstcancer med hjälp av AI).
Det tyder på att mjukvara för djupinlärning kan internalisera en sorts kemisk kunskap och använda den för att hjälpa forskare, säger han. Jag tror att det här skulle kunna vara väldigt brett applicerbart, säger Pande. Det kan spela en roll för att hitta eller optimera ledande läkemedelskandidater, eller andra områden som solceller eller katalysatorer.
Forskarna har redan experimenterat med att träna sitt system på en databas med organiska LED-molekyler, som är viktiga för skärmar. Men att göra tekniken till ett praktiskt verktyg kommer att kräva att dess kemikunskaper förbättras, eftersom strukturerna den föreslår ibland är meningslösa.
Pande säger att en utmaning för att be programvara att lära sig kemi kan vara att forskare ännu inte har identifierat det bästa dataformatet att använda för att mata in kemiska strukturer i mjukvara för djupinlärning. Bilder, tal och text har visat sig passa bra – vilket framgår av programvara som konkurrerar med människor när det gäller bild- och taligenkänning och översättning – men befintliga sätt att koda kemiska strukturer kanske inte är helt rätt.
Aspuru-Guzik och hans kollegor funderar på det, tillsammans med att lägga till nya funktioner till sitt system för att minska dess kemiska blooperhastighet.
Han hoppas också att ge sitt system mer data, för att bredda dess kemikunskaper, kommer att förbättra dess kraft, på samma sätt som databaser med miljontals foton har hjälpt bildigenkänning att bli användbar. American Chemical Society's databas registrerar omkring 100 miljoner publicerade kemiska strukturer. Snart hoppas Aspuru-Guzik kunna mata dem alla till en version av sitt AI-program.