Искусственный интеллект предсказывает свойства лекарств для ускорения разработки

Разработка новых лекарств традиционно была медленным и дорогим процессом. Исследователи из Университета Ватерлоо используют машинное обучение, чтобы ускорить его.

Команда создала Imagand — генеративную модель искусственного интеллекта, которая анализирует существующую информацию о потенциальных лекарствах и предлагает их возможные свойства. Обученная и протестированная на существующих данных о лекарствах, модель успешно предсказывает важные свойства различных препаратов, уже независимо подтверждённые в лабораторных исследованиях, что демонстрирует её точность.

Исследование "Drug discovery SMILES-to-pharmacokinetics diffusion models with deep molecular understanding" доступно на сервере препринтов arXiv.

Традиционно вывод успешного кандидата в лекарства на рынок может стоить от 2 до 3 миллиардов долларов США и занимать более десяти лет. Генеративный ИИ может трансформировать открытие лекарств, используя большие массивы данных в различных областях.

"Существует огромный пул возможных химических веществ и белков для исследования при разработке нового лекарства, что делает открытие лекарств очень дорогим, потому что нужно тестировать миллионы молекул с тысячами различных мишеней", — сказал Бинг Ху, аспирант по компьютерным наукам и ведущий автор исследования. — "Мы ищем способы, с помощью которых ИИ может сделать это быстрее и дешевле".

Одной из основных проблем в разработке фармацевтических препаратов является понимание не только того, как лекарство может воздействовать на организм изолированно, но и как оно может взаимодействовать с другими лекарствами или образом жизни человека. Эту информацию особенно сложно собрать, потому что научные исследования лекарств обычно сосредоточены только на их заранее определённых свойствах, а не на потенциальных взаимодействиях.

В конечном итоге команда надеется, что медицинские исследователи смогут использовать Imagand в будущем для понимания взаимодействия лекарств, что позволит исключить потенциальные новые кандидаты, которые могут иметь плохие побочные эффекты или взаимодействия.

"Например, этот процесс с использованием ИИ может помочь нам понять, насколько токсично лекарство, как оно влияет на сердце или как может негативно взаимодействовать с другими лекарствами, обычно используемыми для лечения болезни", — сказала Хелен Чен, профессор Школы наук об общественном здоровье и компьютерных наук в Ватерлоо. — "Это один из примеров того, как ИИ помогает нам двигаться к более точному, персонализированному уходу".