Традиционно медицинские открытия делаются путем наблюдения ассоциаций, создания гипотез из них, а затем разработки и проведения экспериментов для проверки гипотез. Однако с медицинскими изображениями наблюдение и количественная оценка ассоциаций часто могут быть затруднены из-за большого разнообразия функций, узоров, цветов, значений и форм, которые присутствуют в реальных данных. ИИ значительно упрощает изучение и исследования в областях химии и биологии.
Машинное изучение уже много лет используется для решения различных задач классификации, включая автоматизированную классификацию болезни глаз.
Однако большая часть работы была сосредоточена на "
разработке функций", которая включает в себя вычисление явных функций, указанных
экспертами. Глубокое изучение [1] - это семейство методов машинного обучения, характеризующихся множеством вычислительных уровней, которые позволяют
алгоритму изучать соответствующие прогностические функции на основе
примеров, а не требовать, чтобы функции были спроектированы вручную.
Недавно глубокие сверточные нейронные сети — особый тип метода
глубокого изучения, который был оптимизирован для изображений, -
получили применение в создании высокоточных алгоритмов, которые диагностируют
заболевания, такие как меланома и диабетическая ретинопатия, по
медицинским изображениям, с точностью, сравнимой с точностью экспертов-людей.
Были разработаны модели глубокого изучения, используя изображения глазного дна сетчатки
48 101 пациента из британского Biobank и 236 234 пациента из EyePACS
и были проверены эти модели, используя изображения
12 026 пациентов из UK Biobank и 999 пациентов из
EyePACS-2К . Результаты в таблице:
Поскольку одних изображений сетчатки было достаточно для прогнозирования нескольких факторов риска сердечно-сосудистых заболеваний в разной степени, учёные пришли
к выводу, что изображения могут быть напрямую связаны с сердечно-сосудистыми
явлениями. Поэтому обучили модель прогнозированию наступления серьезных
неблагоприятных сердечно-сосудистых событий (MACE) в течение пяти лет. Этот результат был доступен только для одного из наборов данных — UK Biobank.
Результаты показывают, что применение глубокого обучения только к
изображениям глазного дна сетчатки может быть использовано для прогнозирования множества факторов риска сердечно-сосудистых заболеваний, включая возраст, пол и SBP.
Здесь показано, что “творческий” ИИ можно с таким же успехом научить перечислять новые химические реакции которые являются стехиометрически когерентными.
Генеративные модели, основанные на рекуррентных глубоких нейронных сетях, были успешно использованы для генерации новых химических структур.Нейронная сеть sequence-to-sequence с двунаправленной длинной кратковременной памятью слоев, обученная SMILES/CGR [2], достигла способности преобразовывать SMILES/CGR в их скрытые векторы (“кодировать”) и обратно (“декодировать”).
Основной интерес к генерации реакций in silico заключается в предложении новых реакций, о которых человеческий разум не будет спонтанно думать. К сожалению, “новизна” как отсутствие реакционного центра как в обучающем наборе, так и в общедоступных базах данных реакций нелегко интерпретировать, поскольку это может означать, что (а) такие реакции были опробованы, но потерпели неудачу и, следовательно, не были опубликованы или (б) реакции никогда не исследовались, таким образом, представляют собой реальную проблему.актив инноваций. Выбор не публиковать неудачные реакции является основным недостатком в моделях реактивности обучения.
Это исследование показывает, что творчество искусственного интеллекта довольно ограничено. Нейронные сети глубокого обучения, по крайней мере, в их нынешнем состоянии, не способны изобрести совершенно новый тип химических превращений, а скорее предлагают невидимые и иногда нетривиальные вариации существующих. Таким образом, в данном исследовании с помощью модели были предложены новые (в контексте обучающего набора) реакции образования связей C–N, C–O, C–S и C–Si, а также азот - и серосодержащие уходящие группы.
Чем больше данных используется в обучении нейронной сети, тем реалистичнее прогнозируемые реакции. Поскольку размеры реакционных баз данных быстро растут, подход глубокого обучения имеет очевидную перспективу в качестве инструмента для открытия новых реакций.
Электронное уравнение Шредингера может быть решено только аналитически для атома водорода, а численно точный метод полной конфигурации-взаимодействия экспоненциально дорог по числу электронов.
Машинное обучение оказало большое влияние на квантовую химию, особенно в случае контролируемого обучения и прогнозирования электронных энергий электронных плотностей и молекулярных орбиталей. Этот подход полностью избегает решения уравнения Шредингера, ценой необходимости наборов данных ранее существовавших решений, полученных, например, с помощью DFT или метода связанных кластеров.
В основе подхода к глубокому обучению к электронному уравнению Шредингера лежит волновая функция ansatz, получившая название PauliNet [3], которая включает в себя как хорошо зарекомендовавшую себя физику электронных волновых функций-детерминанты Слейтера, многодетерминированное расширение, фактор Ястроу, обратное преобразование и условия cusp, так и DNNS, способные кодировать сложные функции о движении электронов в гетерогенных молекулярных системах.
PauliNet было обучено через вариационный принцип, минимизируя полную электронную энергию (вариационный QMC).
Сходимость Паулине с числом детерминант.
PauliNet была разработана, DNN-представление электронных волновых функций в реальном пространстве, и было показано, что оно может превзойти современные вариационные методы квантовой химии, которые не используют большие детерминантные разложения. Напротив, этот подход требует лишь нескольких детерминант, и в результате ожидается, что его вычислительная стоимость асимптотически масштабируется как N4 (N3 для оценки детерминанта и дополнительный N для оценки кинетической энергии), с учетом дополнительных технических деталей. Таким образом, PauliNet является кандидатом на метод квантовой химии, который может масштабироваться до гораздо больших систем с высокой точностью.
Учёные надеются, что внедрение нейронных сетей в область электронного QMC откроет возможность использовать поразительные достижения в области глубокого обучения за последнее десятилетие в новой области.
Недавно на страницах журнала Cell американские исследователи сообщили, что сумели найти новый потенциальный антибиотик [4] широкого спектра в базе данных соединений Drug Repurposing Hub с помощью машинного обучения. Обнаруженное вещество получило название галицин. Авторы работы экспериментально показали, что галицин обладает бактерицидной активностью против бактерий разных филогенетических групп, включая такие патогены человека, как возбудитель туберкулеза Mycobacterium tuberculosis и возбудитель колита Clostridioides difficile.
Рисунок 1. Машинное обучение и поиск новых антибиотиков: сначала алгоритм поиска обучают на выборке соединений, для которых известны антибактериальные свойства. Далее обученный алгоритм ищет соединения с «бактерицидными» структурными мотивами в базах данных, и самые перспективные соединения проходят экспериментальную проверку.
В отличие от поиска антибиотиков традиционными методами, развитие искусственного интеллекта в последние десятилетия совершило колоссальный рывок. По этой причине многие программы по поиску антибиотиков переключились на принципиально новый подход — широкомасштабный автоматизированный скрининг библиотек искусственных органических соединений на предмет наличия у них бактерицидной активности. Библиотеки синтетических соединений содержат сотни тысяч молекул, поэтому для работы с ними необходимы специальные алгоритмы.
Не вдаваясь в тонкости машинного обучения, можно сказать, что на этапе предсказания химические связи в молекуле представляли как векторы, соединяющие между собой различные функциональные группы и атомы.
Только один антибиотик из 51 обнаруженных подошёл под критерий безопасности для человека. Авторы работы дали ему название галицин. Структурно галицин наиболее близок к азотсодержащим антипаразитарным препаратам и антибиотику метронидазолу.
Несмотря на блестящие результаты, полученные в экспериментах с галицином, этому препарату еще предстоит пройти долгий и мучительный путь клинических испытаний, прежде чем появиться на полках аптек. Однако успех применения методов машинного обучения в поиске новых соединений с антибактериальными свойствами, несомненно, дает надежду на то, что мы будем способны сдержать бурный всплеск инфекционных заболеваний.
Саманта Макгрейл: 30 апреля 2021
Руководители фармацевтических компаний ищут способы использования искусственного интеллекта и машинного обучения в сфере здравоохранения и биотехнологий. Отчеты показывают, что все большее число организаций реализуют текущие варианты использования, управляя цифровым будущим технологий в отрасли.
В апреле 2020 года Roche и Owkin, платформа машинного обучения для медицинских исследований, объединились, чтобы ускорить открытие, разработку и клинические испытания лекарств.[5]
С годами открытие лекарств становится все более конкурентоспособным и дорогостоящим, что побудило фармацевтические компании рассматривать ИИ как новый метод снижения затрат на исследования и разработки, избегая при этом дорогостоящих ошибок.
Технология помогает с перепрофилированием новых лекарств, особенно ощутима помощь Интеллекта во время пандемии COVID-19. ИИ и алгоритмы машинного обучения способны идентифицировать молекулы, которые, возможно, потерпели неудачу в клинических испытаниях, и предсказать, как те же самые соединения могут быть применены для лечения других заболеваний.
ИИ может выполнять контроль качества, сокращать отходы материалов, улучшать повторное использование производства и выполнять прогнозирующее обслуживание.
ИИ будет определять будущее фармацевтических препаратов, улучшая процессы отбора кандидатов для клинических испытаний.Технология помогает удалить элементы, которые могут препятствовать клиническим испытаниям, уменьшая необходимость компенсации этих факторов большой группой испытаний.
ИИ и машинное обучение будут продолжать помогать дальнейшему открытию и производству лекарств. И поскольку инструменты ИИ становятся более доступными с годами, они станут частью естественного процесса в фармацевтике и производстве. Будущее будет с поддержкой ИИ.
Дендрал, первая программа решения проблем или экспертный метод, была создана в ходе исследований в 1960-х и 1970-х годах. Хотя он был создан для приложений органической химии, он послужил основой для метода MYCIN, который считается одним из наиболее важных ранних приложений искусственного интеллекта в медицине. Однако MYCIN и другие системы, такие как INTERNIST-1 и CASNET, обычно не использовались практиками. Микрокомпьютеры и новые уровни доступа к сети получили распространение в 1980-х и 1990-х годах. За это время исследователи и разработчики осознали, что системы искусственного интеллекта в здравоохранении необходимо создавать с учетом отсутствия точных данных и полагаться на опыт врачей. Интеллектуальные вычислительные системы в здравоохранении были разработаны с использованием теории нечетких множеств, байесовских сетей и искусственных нейронных сетей. За последние полвека медицинские и технические достижения позволили увеличить количество приложений искусственного интеллекта, связанных со здравоохранением.[6]
Хронология развития ИИ в медицине
С внедрением искусственного интеллекта в сектор здравоохранения он представляет собой серьезную возможность для роста чистой прибыли, совокупная стоимость которой,как ожидается, к 2026 году составит 150 миллиардов долларов. Будущее медицины в области искусственного интеллекта включает:
Роботизированная хирургия
Виртуальные помощники медсестры
Помощь в административном рабочем процессе
Обнаружение мошенничества
Уменьшение ошибок дозировки
Подключенные машины
Идентификатор участника клинического исследования
Предварительный диагноз
Автоматическая диагностика изображений
Десять приложений искусственного интеллекта, которые могут изменить здравоохранение.
Применение искусственного интеллекта способно значительно упростить работу врача, ускорить процесс выздоровления пациента, повысить уровень оказания медицинской помощи в стране и в мире, поэтому стоит продолжать активное развитие данного направления.
Ссылки на источники:
1) Ryan Poplin, Avinash V. Varadarajan, Katy Blumer , Yun Liu , Michael V. McConnell, Greg S. Corrado , Lily Peng and Dale R. Webster: Прогнозирование сердечно-сосудистых факторов риска по фотографиям глазного дна сетчатки с помощью глубокого изучения - https://www.nature.com/articles/s41551-018-0195-0
2) Bort, W., Baskin, I.I., Gimadiev, T. : Открытие новых химических реакций с помощью глубокой генеративной рекуррентной нейронной сети https://www.nature.com/articles/s41598-021-81889-y
3) Hermann, J., Schätzle, Z. & Noé,: Глубокое нейросетевое решение электронного уравнения Шредингера - https://www.nature.com/articles/s41557-020-0544-y
4) Елизавета Минина, Андрей Панов: Поиск новых антибиотиков с помощью машинного обучения - https://biomolecula.ru/articles/poisk-novykh-antibiotikov-s-pomoshchiu-mashinnogo-obucheniia
5) ИИ в фармацевтической промышленности - https://pharmanewsintel.com/news/ai-in-the-pharma-industry-current-uses-best-cases-digital-future
6) Мохаммед Лаваль Торо (Нигерия),Аксенов Сергей Владимирович, доцент : Эволюция ИИ в медицине - http://earchive.tpu.ru/bitstream/11683/67776/1/conference_tpu-2021-C19_V1_p191-196.pdf
コメント