Par une nuit noire, loin de la lumière de la ville, les étoiles de la Voie lactée semblent incalculables. Mais de tout point, pas plus de 4500 étoiles sont visibles à l'œil nu. Dans notre galaxie, il y en a 100 à 400 milliards, il y a encore plus de galaxies dans l'Univers. Il s'avère qu'il n'y a pas beaucoup d'étoiles dans le ciel nocturne. Cependant, même ce nombre nous ouvre un aperçu profond … des drogues et des drogues. Le fait est que le nombre de composés organiques possibles avec des propriétés médicinales dépasse le nombre d'étoiles de l'Univers de plus de 30 ordres de grandeur. Et les configurations chimiques que les scientifiques créent à partir de médicaments existants ressemblent aux étoiles que nous pourrions voir au centre-ville la nuit.
Trouver tous les médicaments possibles est une tâche écrasante pour les humains, tout comme l'étude de tout l'espace physique, et même si nous le pouvions, la plupart de ce qui a été découvert ne correspondrait pas à nos objectifs. Cependant, l'idée que des médicaments miraculeux pourraient se cacher dans l'abondance est trop tentante pour être ignorée.
C'est pourquoi nous devrions utiliser l'intelligence artificielle qui peut travailler plus dur et accélérer la découverte. C'est ce que dit Alex Zhavoronkov, qui s'est exprimé à Exponential Medicine à San Diego la semaine dernière. Cette application pourrait être la plus importante pour l'IA en médecine.
Chiens, diagnostic et médicaments
Zhavoronkov - PDG d'Insilico Medicine et CSO Biogerontology Research Foundation. Insilico est l'une des nombreuses startups développant une IA capable d'accélérer la découverte de nouveaux médicaments et médicaments.
Au cours des dernières années, a déclaré Zhavoronkov, la célèbre technique d'apprentissage automatique - l'apprentissage en profondeur - a progressé sur plusieurs fronts. Les algorithmes capables d'apprendre à jouer à des jeux vidéo - comme AlphaGo Zero ou le joueur de poker Carnegie Mellon - sont du plus grand intérêt. Mais la reconnaissance de formes est ce qui a donné un puissant coup de pouce à l'apprentissage en profondeur lorsque les algorithmes d'apprentissage automatique ont finalement commencé à distinguer les chats des chiens et à le faire rapidement et avec précision.
En médecine, les algorithmes d'apprentissage profond formés sur des bases de données d'images médicales peuvent détecter des maladies potentiellement mortelles avec une précision égale ou supérieure à celle des spécialistes humains. Il y a même des spéculations selon lesquelles l'IA, si nous apprenons à lui faire confiance, pourrait être inestimable pour diagnostiquer la maladie. Et comme l'a noté Zhavoronkov, de nouvelles applications arrivent et le bilan ne fera qu'augmenter.
Vidéo promotionelle:
«Tesla emmène déjà des voitures dans la rue», dit Zhavoronkov. «La technologie sur trois et quatre ans transporte déjà les passagers du point A au point B à une vitesse de 200 kilomètres par heure; une erreur et vous êtes mort. Mais les gens font confiance à cette technologie."
"Pourquoi ne pas faire la même chose dans les produits pharmaceutiques?"
Essayez et échouez, encore et encore
Dans la recherche pharmaceutique, l'IA n'aura pas à conduire une voiture. Il deviendra un assistant qui, associé à un chimiste ou deux, pourra accélérer la découverte de médicaments en faisant défiler plus d'options à la recherche de meilleurs candidats.
L'espace pour l'optimisation et l'amélioration de l'efficacité est énorme, a déclaré Zhavoronkov.
Trouver des médicaments est une entreprise laborieuse et coûteuse. Les chimistes passent au crible des dizaines de milliers de composés possibles, à la recherche des plus prometteurs. Parmi ceux-ci, seuls quelques-uns feront l'objet d'études plus poussées, et encore moins seront testés sur des humains, et parmi ceux-ci, en général, les miettes seront approuvées pour une utilisation ultérieure.
L'ensemble de ce processus peut prendre de nombreuses années et coûter des centaines de millions de dollars.
Il s'agit d'un problème de Big Data, et le Deep Learning excelle dans le Big Data. Les premières applications ont montré que les systèmes d'IA basés sur l'apprentissage en profondeur étaient capables de trouver des modèles subtils dans des échantillons de données géants. Bien que les fabricants de médicaments utilisent déjà des logiciels pour tamiser les composés, ces logiciels nécessitent des règles claires écrites par des chimistes. Les avantages de l'IA dans ce domaine sont sa capacité à apprendre et à s'améliorer par elle-même.
«Il existe deux stratégies pour l'innovation de l'IA dans les produits pharmaceutiques qui vous fourniront de meilleures molécules et une approbation plus rapide», déclare Zhavoronkov. "L'un cherche une aiguille dans une botte de foin, et l'autre crée une nouvelle aiguille."
Pour trouver une aiguille dans une botte de foin, des algorithmes sont entraînés sur une grande base de données de molécules. Ensuite, ils recherchent des molécules aux propriétés appropriées. Mais créer une nouvelle aiguille? Cette opportunité est fournie par les réseaux antagonistes génératifs dans lesquels Zhavoronkov se spécialise.
De tels algorithmes opposent deux réseaux de neurones. L'un génère un résultat significatif, et l'autre décide si ce résultat est vrai ou faux, dit Zhavoronkov. Collectivement, ces réseaux génèrent de nouveaux objets tels que du texte, des images ou, dans ce cas, des structures moléculaires.
«Nous avons commencé à utiliser cette technologie particulière pour amener les réseaux de neurones profonds à imaginer de nouvelles molécules pour le rendre parfait dès le départ. Nous avons besoin d'aiguilles parfaites », dit Zhavoronkov. «Vous pouvez vous tourner vers ce réseau antagoniste génératif et lui demander de créer des molécules qui inhibent la protéine X à une concentration de Y, avec la viabilité la plus élevée, les caractéristiques souhaitées et les effets secondaires minimes.
Zhavoronkov pense que l'IA peut trouver ou fabriquer plus d'aiguilles à partir d'une multitude de possibilités moléculaires, ce qui permet aux chimistes humains de se concentrer sur la synthèse uniquement des plus prometteuses. Si cela fonctionne, espère-t-il, nous pourrons augmenter le nombre de hits, minimiser les échecs et généralement accélérer le processus.
Dans le sac
Insilico n'est pas le seul à explorer de nouvelles voies de découverte de médicaments, et ce n'est pas un nouveau domaine d'intérêt. L'année dernière, un groupe de Harvard a publié un article sur l'IA, qui sélectionne de la même manière des candidats parmi les médicaments. Le logiciel s'est formé sur 250 000 molécules de médicaments et a utilisé son expertise pour créer de nouvelles molécules qui mélangent les médicaments existants et ont fait des suggestions en fonction des propriétés souhaitées. Cependant, comme l'a noté le MIT Technology Review, les résultats obtenus ne sont pas toujours significatifs ou faciles à synthétiser en laboratoire, et la qualité de ces résultats, comme toujours, est aussi élevée que la qualité des données fournies initialement.
Vijay Pande, professeur de chimie à Stanford, affirme que les images, la parole et le texte - qui sont actuellement les sujets d'intérêt pour l'apprentissage profond - ont des données bonnes et propres. Mais les données de chimie, en revanche, sont toujours optimisées pour l'apprentissage en profondeur. En outre, s'il existe des bases de données publiques, une grande partie des données se trouve toujours à huis clos d'entreprises privées.
Pour surmonter tous les obstacles, l'entreprise de Zhavoronkov se concentre sur la validation technologique. Mais cette année, le scepticisme dans l'industrie pharmaceutique semble céder la place à l'intérêt et à l'investissement. Même Google peut entrer dans la course.
À mesure que l'IA et le matériel progressent, le plus grand potentiel doit encore être débloqué. Peut-être qu'un jour, les 1060 molécules du domaine médicamenteux seront à notre disposition.
Ilya Khel
