Facebook утверждает, что ИИ может предсказывать комбинации лекарств для лечения сложных заболеваний

Источник · Перевод автора

Сегодня Facebook подробно описал то, что, по его утверждению, является первой единственной моделью искусственного интеллекта, способной предсказывать эффекты комбинаций лекарств, дозировок, времени и других типов вмешательств, таких как делеция гена. Facebook утверждает, что эта модель, разработанная в сотрудничестве с Helmholtz Zentrum München, может ускорить процесс определения комбинаций лекарств и других методов лечения, которые могут привести к лучшим результатам при заболеваниях.

Обнаружение способов перепрофилирования существующих лекарств оказалось мощным инструментом для лечения заболеваний, включая рак. В последние годы врачи добились успеха в применении «лекарственных коктейлей» для борьбы со злокачественными заболеваниями и продолжают изучать индивидуальные методы лечения пациентов. Но найти эффективную комбинацию существующих лекарств в правильной дозе чрезвычайно сложно, отчасти потому, что есть почти бесконечные возможности. Исследователям пришлось бы попробовать от 5000 до 19 миллиардов решений, чтобы найти оптимальную схему лечения, учитывая набор из 100 препаратов.

Модель Facebook с открытым исходным кодом – Compositional Perturbation Autoencoder (CPA) – якобы решает эту проблему с помощью техники самоконтроля, которая наблюдает за клетками, обработанными комбинациями лекарств, и прогнозирует эффект новых комбинаций. В отличие от контролируемых моделей, которые учатся на основе помеченных наборов данных, Facebook генерирует ярлыки на основе данных, раскрывая взаимосвязи между частями данных – шаг, который считается критически важным для достижения интеллекта человеческого уровня.

Согласно Facebook, прогнозы CPA занимают часы, а не годы, которые могут пройти с помощью обычных методов, что позволяет исследователям выбирать наиболее многообещающие результаты для проверки и последующих действий.

В биологии секвенирование РНК используется как способ измерения экспрессии генов клеток на молекулярном уровне и изучения эффектов возмущений, включая комбинации лекарств. Академические круги и промышленность выпустили наборы данных для секвенирования РНК, содержащие до миллионов клеток и 20 000 считываний на ячейку, чтобы облегчить биомедицинские исследования.

Facebook использовал эти наборы данных для обучения CPA, используя подход, называемый автокодированием, при котором данные сжимаются и распаковываются до тех пор, пока не будут обобщены в шаблоны, полезные для прогнозирования. CPA сначала разделяет и изучает ключевые атрибуты клетки, такие как эффекты определенного лекарства, комбинация, дозировка, время, делеция гена или тип клетки. Затем он независимо рекомбинирует атрибуты, чтобы проецировать их влияние на экспрессию генов клетки. Например, если в одном из наборов данных содержится информация о том, как лекарства влияют на разные типы клеток A, B, C и A + B, CPA изучит влияние каждого лекарства в зависимости от типа клетки, а затем рекомбинирует каждое по порядку для экстраполяции взаимодействий между A + C, B + C и A + B.

Facebook заявляет, что для тестирования CPA применил эту модель к пяти общедоступным наборам данных о последовательностях РНК с измерениями и результатами лекарств, доз и других факторов, влияющих на раковые клетки. Facebook утверждает, что при сравнении с показателем R2, который представляет точность прогнозов экспрессии генов, CPA «оставалась неизменной» между обучением и тестированием, что является показателем надежности. Более того, прогнозы CPA о влиянии комбинаций и доз лекарств на раковые клетки «достоверно» совпадали с теми, которые были обнаружены в наборе данных тестирования.

Facebook считает, что CPA может «значительно» ускорить процесс определения оптимальных комбинаций лечения, а также открыть путь к новым возможностям в разработке лекарств. С этой целью компания предоставляет API-интерфейсы и программный пакет, позволяющий исследователям подключать наборы данных и выполнять прогнозы.

«Мы надеемся, что фармацевтические и академические исследователи, а также биологи будут использовать [CPA] для ускорения процесса определения оптимальных комбинаций лекарств от различных заболеваний», – написали в своем блоге менеджер программы Facebook Анна Климовская и исследователь Дэвид Лопес-Пас. «В будущем [CPA] сможет не только ускорить исследования по перепрофилированию лекарств, но и – в один прекрасный день – сделать лечение более персонализированным и адаптированным к индивидуальным клеточным реакциям, что на сегодняшний день является одной из самых активных задач в будущем медицины».

Хотя Facebook утверждает, что CPA является новинкой по своей архитектуре, это не первый алгоритм, разработанный для прогнозирования взаимодействия лекарств. В июле 2018 года исследователи из Стэнфорда подробно описали систему искусственного интеллекта, которая может прогнозировать эффекты комбинаций лекарств, моделируя более 19000 белков в организме, которые взаимодействуют друг с другом и с лекарствами. Исследователи из MIT-IBM Watson AI Lab, Гарвардской школы общественного здравоохранения, Технологического института Джорджии и IQVIA недавно создали инструмент искусственного интеллекта под названием CASTER, который оценивает потенциально опасные и небезопасные взаимодействия между лекарствами. Отдельная группа из Гарварда предложила применить ИИ для выявления кандидатов на перепрофилирование лекарств при болезни Альцгеймера. Исследователи из Университета Аалто, Университета Хельсинки и Университета Турку в Финляндии создали модель машинного обучения, которая прогнозирует, как комбинации лекарств могут убивать различные раковые клетки.