Intuïtie en AI vormen een vreemd stel.

Intuïtie is moeilijk te omschrijven. Het is dat onderbuikgevoel dat aan je knaagt, ook al weet je niet waarom. We bouwen intuïtie op natuurlijke wijze op door ervaring. Onderbuikgevoelens kloppen niet altijd; maar ze sluipen vaak ons ​​onderbewustzijn binnen als aanvulling op logica en redenering bij het nemen van beslissingen.

AI leert daarentegen snel door miljoenen koude, harde datapunten te verwerken, waardoor puur analytische – zij het niet altijd redelijke – resultaten voortkomen op basis van de input ervan.

Nu, een nieuwe studie in Nature Communications trouwt met een vreemd paar, wat resulteert in een machinaal leersysteem dat de intuïtie van een chemicus voor de ontwikkeling van geneesmiddelen vastlegt.

Door de feedback van 35 chemici van Novartis, een farmaceutisch bedrijf gevestigd in Zwitserland, te analyseren, ontwikkelde het team een ​​AI-model dat leert van menselijke expertise in een notoir moeilijke fase van de ontwikkeling van geneesmiddelen: het vinden van veelbelovende chemicaliën die compatibel zijn met onze biologie.

Ten eerste gebruikten de scheikundigen hun intuïtie om te kiezen welke van de 5,000 chemische paren een grotere kans had om een ​​bruikbaar medicijn te worden. Uit deze feedback leerde een eenvoudig kunstmatig neuraal netwerk hun voorkeuren. Toen het AI-model werd uitgedaagd met nieuwe chemicaliën, gaf het elk ervan een score die aangaf of het geschikt was voor verdere ontwikkeling als medicijn.

Zonder enige details over de chemische structuren zelf scoorde de AI “intuïtief” bepaalde structurele componenten, die vaak voorkomen in bestaande medicijnen, hoger dan andere. Verrassend genoeg legde het ook vage eigenschappen vast die niet expliciet waren geprogrammeerd in eerdere pogingen tot computermodellering. In combinatie met een generatief AI-model, zoals DALL-E, ontwierp de robo-chemicus een hele reeks nieuwe moleculen als potentiële aanknopingspunten.

Veel veelbelovende kandidaat-geneesmiddelen waren gebaseerd op ‘collatieve kennis’, schreef het team.

Het onderzoek is een samenwerking tussen Novartis en Microsoft Research AI4Science, de laatste gevestigd in Groot-Brittannië.

In het chemische konijnenhol

De meeste van onze alledaagse medicijnen zijn gemaakt van kleine moleculen: Tylenol tegen pijn, metformine voor de behandeling van diabetes, antibiotica om bacteriële infecties te bestrijden.

Maar het vinden van deze moleculen is lastig.

Ten eerste moeten wetenschappers begrijpen hoe de ziekte werkt. Ze ontcijferen bijvoorbeeld de keten van biochemische reacties waar je knallende hoofdpijn van krijgt. Vervolgens vinden ze de zwakste schakel in de keten, vaak een eiwit, en modelleren ze de vorm ervan. Met de structuur in de hand wijzen ze hoekjes en gaatjes aan waar moleculen zich in kunnen nestelen om de functie van het eiwit te verstoren, waardoor het biologische proces wordt stopgezet – voilà, geen hoofdpijn meer.

Dankzij eiwitvoorspelling AI, zoals AlphaFold, RoseTTAFold en hun uitlopers, is het nu eenvoudiger om de structuur van een doeleiwit te modelleren. Een molecuul vinden dat daarbij past, is een andere zaak. Het medicijn hoeft niet alleen de activiteit van het doelwit te veranderen. Het moet ook gemakkelijk worden geabsorbeerd, zich verspreiden naar het doelorgaan of -weefsel, en veilig worden gemetaboliseerd en uit het lichaam worden geëlimineerd.

Hier komen medicinale chemici in beeld. Deze wetenschappers zijn pioniers in de adoptie van computermodellering. Meer dan twintig jaar geleden begon het veld software te gebruiken om enorm grote databases met chemicaliën te doorzoeken op zoek naar veelbelovende aanknopingspunten. Elke potentiële lead wordt vervolgens beoordeeld door een team van chemici voordat deze verder wordt ontwikkeld.

Door dit proces bouwen medicinale chemici een intuïtie op stelt hen in staat efficiënt beslissingen te nemen bij het beoordelen van veelbelovende kandidaat-geneesmiddelen. Een deel van hun training kan dat zijn gedestilleerd tot regels zodat computers kunnen leren – deze structuur zal bijvoorbeeld waarschijnlijk niet in de hersenen terechtkomen; dat men de lever zou kunnen beschadigen. Deze deskundigenregels hebben geholpen bij de eerste screening. Maar tot nu toe kan geen enkel programma de subtiliteiten en ingewikkeldheden van hun besluitvorming vastleggen, deels omdat de scheikundigen het zelf niet kunnen verklaren.

Ik heb het gevoel

De nieuwe studie probeerde het onverklaarbare in een AI-model vast te leggen.

Het team rekruteerde 35 deskundige chemici in verschillende Novartis-centra over de hele wereld, elk met verschillende expertises. Sommigen werken bijvoorbeeld met cellen en weefsels, anderen met computermodellen.

Intuïtie is lastig te meten. Het is ook niet bepaald betrouwbaar. Als uitgangspunt ontwierp het team een ​​multiplayer-game om te peilen of elke scheikundige consistent was in zijn keuzes en of hun keuzes overeenkwamen met die van anderen. Elke scheikundige kreeg 220 molecuulparen te zien en stelde opzettelijk een vage vraag. Stel je bijvoorbeeld voor dat je deelneemt aan een vroege virtuele screeningcampagne en dat we een medicijn nodig hebben dat als pil kan worden ingenomen. Welk molecuul zou je het liefst hebben?

Het doel was om het overdenken te verminderen, waardoor de scheikundigen ertoe werden aangezet te vertrouwen op hun intuïtie, welke chemische stof blijft en welke weggaat. Deze opzet verschilt van de gebruikelijke evaluaties, waarbij de scheikundigen specifieke moleculaire eigenschappen aftoetsen met voorspellende modellen, dat wil zeggen harde gegevens.

De scheikundigen waren consistent in hun eigen oordeel, maar waren het niet altijd met elkaar eens – waarschijnlijk vanwege verschillende persoonlijke ervaringen. Er was echter voldoende overlap om een ​​onderliggend patroon te vormen waar een AI-model van kon leren, legde het team uit.

Vervolgens bouwden ze de dataset op tot 5,000 molecuulparen. De moleculen, elk gelabeld met informatie over de structuur en andere kenmerken, werden gebruikt om een ​​eenvoudig kunstmatig neuraal netwerk te trainen. Met training heeft het AI-netwerk zijn innerlijke werking verder aangepast op basis van feedback van de scheikundigen, waardoor uiteindelijk elk molecuul een score kreeg.

Als gezondheidscheck testte het team het model op andere chemische paren dan die in de trainingsdataset. Naarmate ze het aantal trainingsvoorbeelden vergrootten, schoten de prestaties omhoog.

Terwijl eerdere computerprogramma's vertrouwden op regels voor wat een veelbelovend medicijn op basis van de moleculaire structuur maakt, weerspiegelden de scores van het nieuwe model deze regels niet direct. De AI gaf een meer holistische kijk op een chemische stof – een totaal andere benadering ervan drug discovery dan die gebruikt wordt in klassieke robot-chemicussoftware.

Met behulp van de AI screende het team vervolgens honderden door de FDA goedgekeurde medicijnen en duizenden moleculen uit een chemische databank. Zelfs zonder expliciete training heeft het model chemische structuren – ‘fragmenten’ genoemd – geëxtraheerd die beter geschikt zijn voor verdere ontwikkeling als medicijnen. De scorevoorkeuren van de AI kwamen overeen met die van bestaande medicijnachtige moleculen, wat erop wijst dat de AI de essentie had begrepen van wat een potentiële aanwijzing is.

Chemische liefde

Novartis is niet het eerste bedrijf dat een chemische romance tussen mens en robot onderzoekt.

Voorheen het farmaceutische bedrijf Merck ook getikt gebruik te maken van hun interne expertise om chemicaliën te rangschikken op een gewenste eigenschap. Buiten de branche, een ploeg aan de Universiteit van Glasgow onderzocht het gebruik van op intuïtie gebaseerde robots voor anorganische chemische experimenten.

Het is nog steeds een kleine studie en de auteurs kunnen menselijke denkfouten niet uitsluiten. Sommige scheikundigen kiezen een molecuul misschien op basis van persoonlijke vooroordelen die moeilijk volledig te vermijden zijn. De opstelling zou echter kunnen worden gebruikt om andere stappen in de ontdekking van geneesmiddelen te bestuderen die duur zijn om experimenteel te voltooien. En hoewel het model gebaseerd is op intuïtie, kunnen de resultaten ervan worden versterkt door op regels gebaseerde filters om de prestaties verder te verbeteren.

We bevinden ons in een tijdperk waarin machine learning tienduizenden moleculen kan ontwerpen, legt het team uit. Een assistent-AI-chemicus, gewapend met intuïtie, zou kunnen helpen bij het selecteren van kandidaten in het kritieke vroege stadium van de ontdekking van geneesmiddelen, en op zijn beurt het hele proces versnellen.

Krediet van het beeld: Eugenia Kozyr / Unsplash

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://singularityhub.com/2023/11/03/how-to-give-ai-a-gut-feeling-for-which-molecules-will-make-the-best-drugs/