211service.com
Programmatūra izdomā jaunas molekulas, meklējot brīnumzāles
Ko jūs saņemat, ja krustojat aspirīnu ar ibuprofēnu? Hārvardas ķīmijas profesors Alans Aspuru-Guziks nav pārliecināts, bet viņš ir apmācījis programmatūru, kas varētu sniegt viņam atbildi, ierosinot molekulāro struktūru, kas apvieno abu zāļu īpašības.
AI programma varētu palīdzēt meklēt jaunus zāļu savienojumus. Farmaceitiskie pētījumi parasti balstās uz programmatūru, kas izsmeļoši pārmeklē milzīgus kandidātmolekulu kopumus, izmantojot ķīmiķu rakstītus noteikumus, un simulācijas, kas mēģina identificēt vai paredzēt noderīgas struktūras. Pirmais paļaujas uz to, ka cilvēki domā par visu, savukārt otro ierobežo simulāciju precizitāte un nepieciešamā skaitļošanas jauda.
Aspuru-Guzik sistēma var izsapņot struktūras vairāk neatkarīgi no cilvēkiem un bez ilgstošām simulācijām. Tas izmanto savu pieredzi, kas izveidota, apmācot mašīnmācības algoritmus ar datiem par simtiem tūkstošu zālēm līdzīgu molekulu.
'Tā pēta daudz intuitīvāk, izmantojot iegūtās zināšanas par ķīmiju, tāpat kā ķīmiķis,' saka Aspuru-Guzik. 'Cilvēki varētu būt labāki ķīmiķi, izmantojot šāda veida programmatūru kā viņu palīgu.' Aspuru-Guzik tika nosaukts MIT tehnoloģiju apskats Jauno novatoru sarakstā 2010 .
Jaunā sistēma tika izveidota, izmantojot mašīnmācības paņēmienu, ko sauc par dziļo mācīšanos, kas ir kļuvusi plaši izplatīta skaitļošanas uzņēmumos, bet ir mazāk nostiprināta dabaszinātnēs. Tajā tiek izmantots dizains, kas pazīstams kā ģeneratīvs modelis, kas ņem daudz datu un izmanto apgūto, lai ģenerētu ticamus jaunus savus datus.
Ģeneratīvos modeļus biežāk izmanto attēlu, runas vai teksta izveidei, piemēram, Google viedās atbildes funkcijai, kas iesaka atbildes uz e-pastiem. Bet pagājušajā mēnesī Aspuru-Guzik un kolēģi no Hārvardas, Toronto universitātes un Kembridžas universitātes publicētos rezultātus no ģeneratīva modeļa izveides, kas apmācīts uz 250 000 zālēm līdzīgām molekulām.
Sistēma varētu radīt ticamas jaunas struktūras, apvienojot esošo zāļu savienojumu īpašības, un lūgt ieteikt molekulas, kurām ir spēcīgas noteiktas īpašības, piemēram, šķīdība un kuras ir viegli sintezējamas.
Vijay Pande , Stenfordas ķīmijas profesors un riska kapitāla uzņēmuma Andreessen Horowitz partneris, saka, ka projekts papildina pieaugošos pierādījumus tam, ka jaunas idejas mašīnmācībā pārveidos zinātnisko pētniecību (skatiet sadaļu Krūts vēža apturēšana ar AI palīdzību).
Tas liek domāt, ka padziļinātas apmācības programmatūra var internalizēt sava veida ķīmiskās zināšanas un izmantot tās, lai palīdzētu zinātniekiem, viņš saka. Es domāju, ka tas varētu būt ļoti plaši piemērojams, saka Pande. Tam varētu būt nozīme vadošo zāļu kandidātu atrašanā vai optimizēšanā vai citās jomās, piemēram, saules baterijās vai katalizatoros.
Pētnieki jau ir eksperimentējuši, apmācot savu sistēmu organisko LED molekulu datu bāzē, kas ir svarīgas displejiem. Bet, lai tehniku pārvērstu par praktisku rīku, būs jāuzlabo tās ķīmijas prasmes, jo tajā piedāvātās struktūras dažkārt ir absurdas.
Pande saka, ka viens izaicinājums programmatūrai ķīmijas apguvei var būt tas, ka pētnieki vēl nav noteikuši labāko datu formātu, ko izmantot ķīmisko struktūru ievadīšanai padziļinātās apmācības programmatūrā. Attēli, runa un teksts ir izrādījušies labi piemēroti, par ko liecina programmatūra, kas konkurē ar cilvēkiem attēlu un runas atpazīšanas un tulkošanas jomā, taču esošie ķīmisko struktūru kodēšanas veidi var nebūt īsti pareizi.
Aspuru-Guzik un viņa kolēģi domā par to, kā arī pievieno jaunas funkcijas viņa sistēmai, lai samazinātu tās ķīmisko traucējumu ātrumu.
Viņš arī cer, ka, piešķirot savai sistēmai vairāk datu, lai paplašinātu tās zināšanas par ķīmiju, tas uzlabos tās jaudu, tāpat kā miljoniem fotoattēlu datubāzes ir palīdzējušas attēlu atpazīšanai kļūt noderīgai. Amerikas ķīmijas biedrība datu bāze reģistrē aptuveni 100 miljonus publicētu ķīmisko struktūru. Drīzumā Aspuru-Guzik cer tos visus ievadīt savas AI programmas versijā.