هوش مصنوعی مولد در آینده نزدیک داروهای جدیدی را به تنهایی تولید خواهد کرد

دیگو راو، مدیر ارشد فناوری اطلاعات و فناوری دیجیتال الی لیلی، اخیراً در برخی از آزمایش‌ها در مطب شرکت کرده است، اما نه آن تحقیقات دارویی که در میان بچه‌های آزمایشگاهی در یک شرکت بزرگ داروسازی انتظار دارید.

لیلی از هوش مصنوعی مولد برای جستجوی میلیون‌ها مولکول استفاده می‌کند. با یک هوش مصنوعی که قادر به حرکت با سرعت کشف است که می تواند در پنج دقیقه به همان اندازه مولکول ایجاد کند که لیلی می تواند در یک سال در آزمایشگاه های مرطوب سنتی سنتز کند، آزمایش محدودیت های هوش مصنوعی در پزشکی منطقی است. اما هیچ راهی برای دانستن اینکه آیا بسیاری از طرح‌های مبتنی بر هوش مصنوعی در دنیای واقعی کار می‌کنند وجود ندارد، و این چیزی است که مدیران شرکت‌های بدبین می‌خواستند درباره آن بیشتر بدانند.

بهترین سازه‌های بیولوژیکی تولید شده توسط هوش مصنوعی، مولکول‌هایی که راو به‌عنوان «ساختارهای عجیب» توصیف کرد که نمی‌توان آن‌ها را با بسیاری در پایگاه‌داده مولکولی موجود این شرکت مقایسه کرد، اما به نظر می‌رسیدند که داروی بالقوه قوی داشته باشند، به دانشمندان لیلی تحویل داده شدند. مدیران اجرایی، از جمله راو، از دانشمندان انتظار داشتند که یافته های هوش مصنوعی را رد کنند.

“آیا نمی توانند آنقدر خوب باشند؟” او قبل از ارائه نتایج هوش مصنوعی به یاد چه چیزی فکر می کرد.

از دانشمندان انتظار می رفت که به همه چیز اشتباه در پیشرفت های مبتنی بر هوش مصنوعی اشاره کنند، اما آنچه که در پاسخ ارائه کردند برای مدیران لیلی تعجب آور بود: «جالب است. راو به یاد می آورد که ما به این فکر نکردیم که مولکول را به این شکل طراحی کنیم. آنها گفتند در حالی که او داستان گزارش نشده قبلی را برای شرکت کنندگان در اجلاس اجرایی فناوری CNBC در نوامبر گفت.

راو گفت: “این برای من یک فتح بود.” ما همیشه در مورد یادگیری ماشینی صحبت می کنیم، اما هنر دیگر زمانی است که ماشین ها بینش هایی را بر اساس مجموعه داده هایی ایجاد می کنند که انسان قادر به دیدن یا تجسم آن نیست. تحقیق نکن.”

به گفته مدیرانی که در تقاطع هوش مصنوعی و مراقبت های بهداشتی کار می کنند، این صنعت در آینده ای نزدیک در مسیری قرار دارد که داروها به طور کامل توسط هوش مصنوعی ساخته خواهند شد. به عقیده برخی، حداکثر تا چند سال دیگر، این امر به هنجار کشف مواد مخدر تبدیل خواهد شد. هوش مصنوعی مولد به سرعت کاربرد خود را در توسعه و کشف داروهای جدید تسریع می‌کند، که نه تنها صنعت داروسازی، بلکه ایده‌های اساسی را که قرن‌ها در روش علمی ساخته شده‌اند نیز تغییر خواهد داد.

وقتی DeepMind گوگل شکل پروتئین را شکست

لحظه ای که این مسیر برای اولین بار مشخص شد سال ها قبل از ورود ChatGPT به آگاهی عمومی بود. به گفته کیمبرلی پاول، معاون مراقبت های بهداشتی انویدیا، زمانی که بخش هوش مصنوعی DeepMind گوگل، که به دلیل نشان دادن تفاوت تفکر خلاقانه هوش مصنوعی با انسان ها در بازی استراتژی چینی Go – که پیشگام در کاربرد مدل های زبان بزرگ هوش مصنوعی در زیست شناسی پاول گفت: “AlphaFold لحظه مهمی بود که ما توانستیم این مدل‌های دگرگون‌کننده را با مجموعه داده‌های بسیار بزرگ آموزش دهیم و از توالی اسید آمینه به ساختار پروتئینی برسیم، که زیربنای توسعه و طراحی دارو است.”

پیشرفت‌های مرتبط با هوش مصنوعی در زمینه زیست‌شناسی در حال رخ دادن است که به طور فزاینده‌ای دیجیتالی می‌شود و پاول آن را «مقیاس و وضوح بی‌سابقه» توصیف می‌کند.

این یک انقلاب پزشکی است که شامل ژنومیک فضایی است که میلیون‌ها سلول را در بافت‌ها به صورت سه بعدی اسکن می‌کند و ایجاد مدل‌های هوش مصنوعی، به ویژه، از مزایای فهرستی از مواد شیمیایی، در حال حاضر به شکل دیجیتال، که اکنون به ما اجازه می دهد تا روی مدل های ترانسفورماتورهای هوش مصنوعی مولد کار کنیم. آنها پاول گفت: “این آموزش را می توان با استفاده از یادگیری بدون نظارت و خود نظارت انجام داد، و می تواند نه تنها به سرعت، بلکه به صورت خلاقانه انجام شود: هوش مصنوعی می تواند در مورد الگوهای دارویی که یک انسان فکر نمی کند” فکر کند.

یک قیاس برای درک توسعه داروی هوش مصنوعی را می توان در مکانیسم های ChatGPT یافت. پاول گفت: «این اساساً در هر کتاب، هر صفحه وب، هر PDF آموزش داده شده است و دانش درباره جهان را به گونه‌ای رمزگذاری می‌کند که می‌توانید از آن سؤال کنید و می‌تواند پاسخ‌هایی برای شما ایجاد کند.

نسخه GPT کشف دارو

کشف دارو فرآیند مشاهده فعل و انفعالات و تغییرات در رفتار بیولوژیکی است، اما آنچه در آزمایشگاه ماه ها یا سال ها طول می کشد را می توان در مدل های کامپیوتری که رفتار بیولوژیکی سنتی را تقلید می کنند، نشان داد. او گفت: «و اگر بتوانید رفتار آن‌ها را مدل کنید، می‌توانید پیش‌بینی کنید که چطور ممکن است کارها با هم کار کنند و تعامل داشته باشند. اکنون ما این فرصت را داریم که دنیای داروها – زیست شناسی و شیمی – را معرفی کنیم، زیرا ما ابررایانه هایی با هوش مصنوعی داریم که از هوش مصنوعی و روشی شبیه GPT استفاده می کنند و با تمام داده های بیولوژیکی دیجیتال، می توانیم دنیای داروها را معرفی کنیم. در یک کامپیوتر ‘yutari. برای اولین بار.”

این یک انحراف اساسی از روش تجربی کلاسیک است که بر قرن گذشته کشف دارو مسلط بود: آزمایش‌های گسترده، جمع‌آوری داده‌های بعدی، تجزیه و تحلیل داده‌ها در سطح انسانی، و به دنبال آن فرآیند توسعه دیگری بر اساس آن نتایج. آزمایش‌های درون دیوارهای شرکت با چندین لحظه تصمیم‌گیری دنبال می‌شود که دانشمندان و مدیران امیدوارند به آزمایش‌های بالینی موفقیت‌آمیز منجر شوند. پاول گفت: «این یک فرآیند بسیار حرفه ای است. در نتیجه، این یک فرآیند کشف دارو است که نرخ شکست 90 درصدی دارد.

طرفداران هوش مصنوعی بر این باورند که با تبدیل فرآیند کلاسیک به یک فرآیند مهندسی که سیستماتیک‌تر و تکرارپذیرتر است، در زمان صرفه‌جویی می‌کند و نرخ موفقیت را افزایش می‌دهد و به محققان دارو اجازه می‌دهد تا به میزان موفقیت بالاتری دست یابند. با اشاره به نتایج مطالعات اخیر منتشر شده در Nature، پاول خاطرنشان کرد که آمگن کشف کرده است که فرآیند کشف دارو که ممکن است سال ها طول بکشد را می توان با کمک هوش مصنوعی به ماه ها کاهش داد. حتی مهمتر از آن – با توجه به هزینه ساخت دارو، که می تواند از 30 میلیون دلار تا 300 میلیون دلار در هر آزمایش متغیر باشد – نرخ موفقیت زمانی افزایش یافت که هوش مصنوعی در مراحل اولیه وارد فرآیند شد. پس از یک فرآیند توسعه سنتی دو ساله، احتمال موفقیت 50/50 بود. پاول گفت: در پایان فرآیند سریعتر، که توسط هوش مصنوعی تقویت شد، میزان موفقیت به 90 درصد افزایش یافت.

پاول گفت: «پیش‌بینی ما، پیشرفت کشف مواد مخدر باید به میزان قابل توجهی افزایش یابد. برخی از کاستی های ذکر شده هوش مصنوعی مولد، مانند تمایل آن به “توهم”، می تواند در کشف دارو قدرتمند باشد. ما دهه‌هاست که به اهداف مشابه نگاه می‌کنیم، اما اگر بتوانیم از یک رویکرد مولد برای کشف اهداف جدید استفاده کنیم، چه؟ او افزود.

داروهای جدید “توهم”.

کشف پروتئین یک مثال است. تکامل بیولوژیکی با شناسایی پروتئینی کار می کند که به خوبی کار می کند و سپس طبیعت به پیش می رود. تمام پروتئین های دیگر را که ممکن است به خوبی کار کنند یا بهتر عمل کنند، آزمایش نمی کند. از سوی دیگر، هوش مصنوعی می‌تواند با پروتئین‌های موجود در مدل‌ها شروع کند، رویکردی که در یک مدل تجربی کلاسیک قابل قبول نیست. با توجه به اعداد و ارقام، هوش مصنوعی در انتظار پیشرفت بسیار بزرگتری است. پاول گفت که تعداد بالقوه پروتئین هایی که می توانند به عنوان یک درمان عمل کنند اساساً بی نهایت است – 10 به توان 160 یا ده تا صد و شصت صفر – محدودیت موجود برای کار با پروتئین هایی که طبیعت به بشریت داده است در حال اتمام است. . می‌توانید از این مدل‌ها برای ایجاد توهم پروتئین‌هایی استفاده کنید که ممکن است تمام عملکردها و ویژگی‌های مورد نیاز ما را داشته باشند. پاول می‌گوید که می‌تواند به جایی برود که ذهن انسان نمی‌تواند، اما کامپیوتر می‌تواند.

دانشگاه تگزاس در آستین اخیراً یکی از بزرگترین خوشه های محاسباتی NVIDIA را برای مرکز جدید هوش مصنوعی مولد خود خریداری کرده است.

اندی الینگتون، استاد علوم بیولوژیکی مولکولی گفت: «همانطور که ChatGPT می‌تواند از رشته‌های حروف یاد بگیرد، مواد شیمیایی را می‌توان به صورت رشته‌ها نشان داد و ما می‌توانیم از آنها یاد بگیریم. الینگتون گفت، هوش مصنوعی یاد می‌گیرد که بین داروها و غیرداروها تمایز قائل شود و داروهای جدید را به همان روشی که ChatGPT می‌تواند پیشنهاد بدهد، ایجاد می‌کند. او گفت: «از آنجایی که این پیشرفت‌ها با تلاش‌های مداوم برای پیش‌بینی ساختارهای پروتئینی ترکیب می‌شوند، به زودی می‌توان ترکیبات دارویی را که ممکن است برای اهداف کلیدی مناسب باشند، شناسایی کرد.»

دانیل دیاز، دانشجوی دکترا در علوم کامپیوتر که گروه پروتئین های عمیق را در مؤسسه بنیادهای یادگیری ماشین UT رهبری می کند، گفت که بیشتر کارهای فعلی در زمینه هوش مصنوعی در پزشکی بر روی کشف مولکول های کوچک متمرکز شده است، اما او معتقد است که تأثیر بیشتر بر روی توسعه داروهای بیولوژیک جدید (داروهای مبتنی بر پروتئین)، جایی که او قبلاً می بیند که چگونه هوش مصنوعی می تواند روند یافتن طرح های بهتر را تسریع بخشد.

گروه او در حال حاضر در حال انجام آزمایش‌های حیوانی بر روی درمان سرطان سینه است که نسخه مهندسی شده پروتئین انسانی است که متابولیت کلیدی را که سرطان سینه به آن وابسته است تجزیه می‌کند – که اساساً سرطان گرسنگی است. به طور سنتی، زمانی که دانشمندان برای درمان به پروتئین نیاز دارند، به دنبال ویژگی های خاصی از جمله پروتئین های پایدار هستند که به راحتی تجزیه نمی شوند. این امر مستلزم آن است که دانشمندان مهندسی ژنتیک را برای تنظیم پروتئین معرفی کنند، فرآیندی دست و پا گیر در آزمایشگاه – نقشه برداری از ساختار و تعیین بهترین گزینه ها از میان تمام تغییرات ژنتیکی ممکن.

اکنون، مدل‌های هوش مصنوعی به کاهش احتمالات کمک می‌کنند، بنابراین دانشمندان می‌توانند با سرعت بیشتری اصلاحات بهینه را شناسایی کنند. در آزمایشی که دیاز به آن اشاره کرد، استفاده از نسخه پایدارتر و تقویت‌شده با هوش مصنوعی منجر به بهبودی هفت برابری در بازده پروتئین شد، بنابراین محققان پروتئین بیشتری برای آزمایش، استفاده و غیره داشتند. «نتایج بسیار امیدوارکننده به نظر می‌رسند. و از آنجایی که این یک پروتئین مبتنی بر انسان است، احتمال حساسیت بیماران به دارو – واکنش های آلرژیک به داروهای مبتنی بر پروتئین یک مشکل بزرگ است – به حداقل می رسد.

انتشار اخیر انویدیا از آنچه که آن را «خدمات میکرو» برای مراقبت های بهداشتی هوش مصنوعی می نامد، از جمله کشف دارو – جزیی از جاه طلبی های تهاجمی آن برای پذیرش هوش مصنوعی در بخش مراقبت های بهداشتی – به محققان اجازه می دهد تا تریلیون ها ترکیب دارویی را جستجو کنند و ساختارهای پروتئین را پیش بینی کنند. شرکت نرم افزار محاسباتی Cadence در حال ادغام هوش مصنوعی انویدیا در یک پلت فرم طراحی مولکولی است که به محققان اجازه می دهد کتابخانه هایی از داده ها را با صدها میلیارد ترکیب ایجاد، جستجو و مدل کنند. همچنین فرصت های تحقیقاتی مرتبط با مدل پروتئین AlphaFold-2 DeepMind را ارائه می دهد.

پاول گفت: «برای زیست شناسان سخت است که فقط از AlphaFold استفاده کنند، بنابراین ما آن را ساده کردیم. می‌توانید به یک صفحه وب بروید و دنباله اسید آمینه را تایپ کنید و ساختار واقعی ظاهر می‌شود. اگر قرار بود این کار را با یک ساز انجام دهید، این ساز برای شما 5 میلیون دلار هزینه دارد و به سه دستگاه نیاز دارید [full-time equivalent workers] FTE شروع می شود و بعد از یک سال می توانید ساختار را بدست آورید. ما آن را فوراً در صفحه وب انجام دادیم.» پاول گفت.

در نهایت، داروهای طراحی شده با هوش مصنوعی بر اساس آخرین مرحله سنتی در توسعه دارو، یعنی اثربخشی در آزمایشات انسانی، افزایش یا شکست خواهند خورد.

پاول گفت: “شما هنوز باید شواهد محکمی بسازید.”

او وضعیت فعلی پیشرفت را به یادگیری خودروهای خودران تشبیه کرد، جایی که داده ها به طور مداوم برای تقویت و اصلاح مدل ها جمع آوری می شود. او گفت: «همین اتفاق در مورد کشف مواد مخدر نیز رخ می دهد. می‌توانید از این تکنیک‌ها برای کشف فضای جدید استفاده کنید… آن را تقویت کنید، آن را تقویت کنید… آزمایش‌های هوشمندانه‌تری انجام دهید، آن داده‌های تجربی را بردارید و آن‌ها را به مدل‌ها برگردانید، و چیزهایی اتفاق می‌افتد.

اما فضای بیولوژیکی در میدان بزرگتر مدل هوش مصنوعی در مقایسه با آن هنوز کوچک است. صنعت هوش مصنوعی در محدوده یک تریلیون مدل یا بیشتر در حوزه‌های پردازش زبان‌های چندوجهی و طبیعی قرار دارد. در مقایسه، تعداد مدل های بیولوژیکی به ده ها میلیارد می رسد.

پاول گفت: «ما در مراحل اولیه هستیم. میانگین کلمه کمتر از ده حرف است. طول ژنوم 3 میلیارد حرف است.