211service.com
Software bedenkt nieuwe moleculen in Quest for Wonder Drugs
Wat krijg je als je aspirine kruist met ibuprofen? Harvard scheikunde professor Alan Aspuru-Guzik weet het niet zeker, maar hij heeft getrainde software die hem een antwoord zou kunnen geven door een moleculaire structuur te suggereren die eigenschappen van beide medicijnen combineert.
Het AI-programma zou kunnen helpen bij het zoeken naar nieuwe medicijnverbindingen. Farmaceutisch onderzoek vertrouwt meestal op software die uitputtend door gigantische pools van kandidaat-moleculen kruipt met behulp van regels die zijn geschreven door chemici en simulaties die proberen nuttige structuren te identificeren of te voorspellen. De eerste is afhankelijk van de mens die aan alles denkt, terwijl de laatste wordt beperkt door de nauwkeurigheid van simulaties en de benodigde rekenkracht.
Het systeem van Aspuru-Guzik kan structuren bedenken die onafhankelijker zijn van mensen en zonder langdurige simulaties. Het maakt gebruik van zijn eigen ervaring, opgebouwd door machine learning-algoritmen te trainen met gegevens over honderdduizenden medicijnachtige moleculen.
'Het onderzoekt intuïtiever, met behulp van chemische kennis die het heeft geleerd, zoals een chemicus zou doen', zegt Aspuru-Guzik. 'Mensen zouden betere scheikundigen kunnen zijn met dit soort software als assistent.' Aspuru-Guzik is vernoemd naar MIT Technology Review s lijst van jonge vernieuwers in 2010 .
Het nieuwe systeem is gebouwd met behulp van een machine-learningtechniek die deep learning wordt genoemd en die alomtegenwoordig is geworden in computerbedrijven, maar minder ingeburgerd is in de natuurwetenschappen. Het maakt gebruik van een ontwerp dat bekend staat als een generatief model, dat een schat aan gegevens in zich opneemt en gebruikt wat het heeft geleerd om zelf plausibele nieuwe gegevens te genereren.
Generatieve modellen worden meestal gebruikt om afbeeldingen, spraak of tekst te maken, bijvoorbeeld in het geval van de Smart Reply-functie van Google die reacties op e-mails suggereert. Maar vorige maand Aspuru-Guzik en collega's van Harvard, de Universiteit van Toronto en de Universiteit van Cambridge gepubliceerde resultaten van het creëren van een generatief model dat is getraind op 250.000 medicijnachtige moleculen.
Het systeem zou plausibele nieuwe structuren kunnen genereren door eigenschappen van bestaande medicijnverbindingen te combineren, en gevraagd worden om moleculen voor te stellen die bepaalde eigenschappen sterk vertonen, zoals oplosbaarheid, en die gemakkelijk te synthetiseren zijn.
Vijay Pande , hoogleraar scheikunde aan Stanford en partner van durfkapitaalbedrijf Andreessen Horowitz, zegt dat het project bijdraagt aan het groeiende bewijs dat nieuwe ideeën op het gebied van machinaal leren wetenschappelijk onderzoek zullen veranderen (zie Borstkanker stoppen met hulp van AI).
Het suggereert dat deep-learning software een soort chemische kennis kan internaliseren en deze kan gebruiken om wetenschappers te helpen, zegt hij. Ik denk dat dit heel breed toepasbaar kan zijn, zegt Pande. Het kan een rol spelen bij het vinden of optimaliseren van leidende kandidaat-geneesmiddelen, of andere gebieden zoals zonnecellen of katalysatoren.
De onderzoekers hebben al geëxperimenteerd met het trainen van hun systeem op een database van organische LED-moleculen, die belangrijk zijn voor displays. Maar om van de techniek een praktisch hulpmiddel te maken, moeten de scheikundige vaardigheden worden verbeterd, omdat de structuren die het suggereert soms onzinnig zijn.
Pande zegt dat een uitdaging voor het vragen van software om scheikunde te leren, kan zijn dat onderzoekers nog niet het beste gegevensformaat hebben geïdentificeerd om te gebruiken om chemische structuren in deep-learning software te voeren. Afbeeldingen, spraak en tekst hebben bewezen goed bij elkaar te passen - zoals blijkt uit software die wedijvert met mensen op het gebied van beeld- en spraakherkenning en vertaling - maar de bestaande manieren om chemische structuren te coderen zijn misschien niet helemaal juist.
Aspuru-Guzik en zijn collega's denken daarover na, samen met het toevoegen van nieuwe functies aan zijn systeem om de chemische blooper-snelheid te verminderen.
Hij hoopt ook dat door zijn systeem meer gegevens te geven, om zijn scheikundekennis te verbreden, de kracht ervan zal verbeteren, op dezelfde manier dat databases van miljoenen foto's hebben geholpen om beeldherkenning nuttig te maken. De American Chemical Society's database registreert ongeveer 100 miljoen gepubliceerde chemische structuren. Binnenkort hoopt Aspuru-Guzik ze allemaal te kunnen voeden met een versie van zijn AI-programma.