ВАШИНГТОН — Штучний інтелект змінює спосіб ведення бізнесу компаніями — допомагає розробникам писати код і здійснювати дзвінки в службу підтримки за допомогою чат-ботів.
Але фармацевтична промисловість все ще чекає, чи зможе ШІ впоратися з найбільшою проблемою: знайти швидші та дешевші способи розробки нових ліків.
Незважаючи на мільярди, витрачені на дослідження, розробка нових ліків зазвичай займає десятиліття чи більше.
Заснована в 2018 році, Insitro є частиною зростаючої сфери компаній штучного інтелекту, які обіцяють прискорити відкриття ліків за допомогою машинного навчання для аналізу величезних наборів даних хімічних і біологічних маркерів. Компанія, що базується в Південному Сан-Франциско, підписала угоди з такими фармацевтичними компаніями, як Eli Lilly і Bristol Myers Squibb, щоб допомогти розробити ліки від метаболічних захворювань, неврологічних захворювань і дегенеративних розладів.
Генеральний директор і засновник Дафна Коллер поговорила з AP про те, що штучний інтелект привносить у виклики відкриття ліків. Обговорення було відредаговано для тривалості та ясності.
В: Я думаю, що проблема з відкриттям ліків полягає в тому, що ми намагаємося втрутитися в систему, яку ми дуже мало розуміємо. Значна частина успіху, якого ми досягли за останні 15-20 років, відбулася тоді, коли ми прийшли до достатнього розуміння системи, щоб ми могли фактично розробити втручання, щоб узгодити з нею.
Тож одна з речей, яку ми намагаємося зробити в Insitro, — це розгадати основну складність гетерогенних захворювань і визначити нові способи втручання, які могли б допомогти, можливо, не всій популяції, а, можливо, лише її частині. Таким чином ми можемо фактично визначити правильний терапевтичний випадок для втручання в конкретну групу пацієнтів. І це, на мою думку, справжня суть неуспіху галузі.
Відповідь: Однією з речей, які відбуваються разом із революцією штучного інтелекту, є набагато тихіша революція в тому, що я називаю кількісною біологією, тобто можливість вимірювати біологічні системи з безпрецедентною точністю. Ви можете вимірювати такі системи, як білки та клітини, за допомогою все кращих вимірювань і технологій.
Але якщо ви надасте ці дані людині, її очі просто виблискують, тому що є лише стільки клітин, які можна побачити, і лише стільки тонкощів, які можна побачити на цих зображеннях. Люди просто обмежені у своїй здатності сприймати тонкі відмінності.
Таким чином, ви отримуєте дуже редукційний погляд на дуже складну, багатогранну систему, яка дійсно важлива для розкриття відмінностей між пацієнтами та виявлення того, де втручання може справді змінити ситуацію.
A: Мій доктор філософії був у галузі інформатики. Але я почав працювати у сфері машинного навчання в службі біомедичних проблем у 1998 чи 1999 роках.
У той час проблеми, які машинне навчання змогло вирішити, були, чесно кажучи, не надихаючими. Наскільки ви можете отримати натхнення, класифікуючи спам і не спам у наборі даних електронної пошти?
Я шукав щось більш багате. І мій перший набіг у цю сферу був не тому, що я особливо зацікавлений у тому, щоб стати біологом, а тому, що я шукав технічно складніші питання. І коли я почав вивчати це, мене зацікавила сама біологія.
A: Це, мабуть, одне з найважливіших досягнень, яких ми досягли як організація.
Ви можете взяти найдосвідченіших вчених з обох боків і посадити їх в одній кімнаті разом, і вони з таким же успіхом могли б говорити один з одним тайською та суахілі.
Коли ви інженер, ви шукаєте найсильніші, найпослідовніші моделі, які дозволять вам робити прогнози щодо більшості клітин або окремих людей. Коли ви досліджуєте життя, ви часто дійсно шукаєте винятки, тому що це нитки, які можуть привести до нових відкриттів.
Тому ми запровадили низку культурних та організаційних елементів, щоб допомогти людям спілкуватися один з одним відкрито, конструктивно та з повагою.
