IA en medicina: ciencias de la vida y descubrimiento de drogas

Hola Habr! Hoy les mostraré mi traducción de una maravillosa entrevista con Alexander Zhavoronkov . Espero que sea tan interesante para ti leer como para mí traducir.

imagen

La inteligencia artificial nos promete una mejor salud, un desarrollo de medicamentos y pruebas m√°s r√°pidos. Todo esto se hace con el objetivo de mejorar los resultados del paciente. Hoy estamos hablando con un experto mundial en el uso de la inteligencia artificial en las ciencias de la vida, cuyo objetivo es encontrar y desarrollar medicamentos m√°s r√°pido y m√°s barato.

Alexander Zhavoronkov es el fundador y CEO de Insilico Medicine. La compa√Ī√≠a es l√≠der en el campo de la inteligencia artificial de la pr√≥xima generaci√≥n, cuyos m√©todos est√°n dirigidos al descubrimiento de nuevos f√°rmacos, el desarrollo de biomarcadores y la investigaci√≥n sobre el envejecimiento. Antes de Insiliko, desempe√Ī√≥ funciones de gesti√≥n en ATI Technologies, NeuroG Neuroinformatics, la Fundaci√≥n para la Investigaci√≥n Biogerontol√≥gica y YLabs.AI. Desde 2012, ha publicado m√°s de 130 art√≠culos cient√≠ficos revisados ‚Äč‚Äčpor pares y 2 libros. Durante seis a√Īos, organiz√≥ los foros anuales "Investigaci√≥n sobre el envejecimiento para el descubrimiento de f√°rmacos e inteligencia artificial para la asistencia sanitaria" en Basel Life / EMBO en Basilea. Alexander es profesor asociado en el Buck Institute for Aging Research.



Michael Kriegsman: Cuéntanos brevemente sobre Insilico Medicine y en qué estás trabajando.

Alexander Zhavoronkov: Estamos enfocados principalmente en la aplicación de los métodos de inteligencia artificial de próxima generación para el desarrollo de fármacos, el desarrollo de biomarcadores y la investigación del envejecimiento. Nos centramos específicamente en dos técnicas de aprendizaje automático: redes de confrontación generativa ( GAN ) y aprendizaje reforzado . Estos son los métodos en los que tenemos más experiencia en nuestro campo.

Utilizamos estos m√©todos para dos prop√≥sitos. Uno de ellos es la identificaci√≥n de objetivos biol√≥gicos y la creaci√≥n de biomarcadores a partir de varios tipos de datos, as√≠ como la creaci√≥n de nuevas mol√©culas, nuevas estructuras moleculares con un conjunto espec√≠fico de propiedades. Fuimos una de las primeras compa√Ī√≠as, quiz√°s la primera en crear nuevas mol√©culas utilizando una nueva tecnolog√≠a llamada redes generativas competitivas, y en probar estas mol√©culas de forma experimental.

¬ŅQu√© es una tuber√≠a de desarrollo de medicamentos?


Michael Kriegsman: Danos un poco de contexto. ¬ŅQu√© es una tuber√≠a de desarrollo de medicamentos? ¬ŅPor qu√© es tan dif√≠cil? Hablemos de eso. Entonces podemos pasar a c√≥mo la IA lo hace mejor, m√°s f√°cil.

Alexander Zhavoronkov: El descubrimiento y desarrollo de drogas es un proceso muy largo. También es uno de esos procesos donde tiene más fallas que éxitos. De hecho, hay muchos más fracasos que éxitos.

Se necesitan más de $ 2.6 mil millones para desarrollar un medicamento y llevarlo al mercado para tratar una enfermedad específica. Esto es después de que la molécula ha sido probada en animales. Además, después de que la molécula ha sido probada en animales, la tasa de falla es del 92%. Cuando un medicamento se prueba en humanos, falla en el 92% de los casos. Entonces, el proceso no solo es largo, sino también arriesgado.

T√≠picamente, el tiempo requerido para el descubrimiento y desarrollo de una mol√©cula es de unos diez a√Īos. Las personas que inician el proceso no siempre est√°n presentes cuando la mol√©cula invade. El proceso consta de varias etapas.

El primero es la generación de hipótesis. Usted presenta una hipótesis, una teoría de una enfermedad específica y determina los objetivos apropiados. Estás hablando de qué proteínas están involucradas en la enfermedad y qué proteínas son la causa.

Despu√©s de eso, vas y desarrollas un anticuerpo o una mol√©cula peque√Īa para esta prote√≠na objetivo. Si est√° desarrollando una mol√©cula peque√Īa, generalmente comienza revisando grandes bibliotecas de compuestos que pueden alcanzar este objetivo en particular, y realiza todo tipo de experimentos para ver qu√© tan bien se unen estas peque√Īas mol√©culas a este objetivo.

Después de eso, selecciona varias opciones. Usted determina qué moléculas son las más adecuadas para este objetivo proteico y comienza a realizar todo tipo de experimentos con estas moléculas para determinar si funcionan bien en el sistema biológico, en un análisis relacionado con la enfermedad, en un ratón, perro u otros animales, y luego solicita una IND ( nueva investigación de drogas ) con la FDA para obtener la molécula en ensayos clínicos.

Una vez completado este proceso, comenzamos a desarrollar medicamentos y a comenzar ensayos clínicos. Todo comienza con la fase I, que está relacionada con la seguridad. En la fase II, prueba la efectividad del medicamento. En la fase III, prueba ambas fases en entornos clínicos grandes, en grandes poblaciones. Después puede continuar con la fase IV o comenzar el lanzamiento del producto.

Descubrimiento de drogas e investigación post-comercialización



Alexander Zhavoronkov: Y luego la investigaci√≥n posterior a la comercializaci√≥n. Este proceso generalmente lleva m√°s de diez a√Īos y falla en el 92% de los casos.

Con AI, realmente puedes jugar en casi todos los segmentos, comenzando con el descubrimiento de drogas en una etapa temprana, cuando AI puede ayudarte con el modelo de hip√≥tesis y, de hecho, sacar las agujas del pajar con el identificador del objetivo, con la identificaci√≥n de mol√©culas peque√Īas, con detecci√≥n virtual, con la creaci√≥n de nuevas mol√©culas con propiedades especiales, con la planificaci√≥n del dise√Īo de un ensayo cl√≠nico y la inclusi√≥n en un ensayo cl√≠nico. Y luego, tambi√©n, para predecir los resultados de los ensayos cl√≠nicos.

Michael Kriegsman: ¬ŅD√≥nde comienza la IA a acortar el proceso, mejor?

Alexander Zhavoronkov: Si se encuentra en las primeras etapas de desarrollo de medicamentos, comience a trabajar para generar hipótesis e identificar objetivos, por lo general, tiene varias formas de seguir. Una forma es buscar literatura e identificar áreas prometedoras que han sido descubiertas por científicos en el pasado y publicadas.

La IA puede ayudarlo a producir una gran cantidad de literatura, as√≠ como otras fuentes relacionadas, para identificar se√Īales y objetivos que pueden estar asociados con la enfermedad. Nosotros en Insilico generalmente comenzamos con datos de subvenciones. Estamos buscando subsidios biom√©dicos por un valor de alrededor de $ 1.7 trillones en los √ļltimos 25 a√Īos. Luego observamos c√≥mo estas subvenciones se convierten en publicaciones, en patentes de ensayos cl√≠nicos y luego en productos en el mercado.

Seguimos de idea en idea y de dinero en dinero, es decir, del dinero en el mercado. Tambi√©n observamos c√≥mo el dinero se convierte en datos. Por lo tanto, por lo general, cuando el gobierno respalda cierto estudio, los datos deben almacenarse en un repositorio p√ļblico para que otras personas puedan copiarlo, as√≠ como para el bien com√ļn.

Intentamos hacer un seguimiento del dinero en los datos. Si no hay datos, tratamos de contactar al cient√≠fico y obtener datos del cient√≠fico y / o instamos al cient√≠fico a poner los datos en una tienda p√ļblica.

Comenzamos con bases de datos de texto, pero también asociamos estos datos con datos omix. De hecho, todo lo que termina con "ohmic" (transcriptómica, genómica, metabolómica, metagenómica) se denomina datos omix.

Trabajamos principalmente con datos sobre la expresi√≥n g√©nica, por lo que observamos c√≥mo el nivel de expresi√≥n de ciertos genes o redes enteras cambia, por ejemplo, de un estado saludable a una enfermedad. Transformamos estos cambios, estos signos de la enfermedad en objetivos separados, y determinamos qu√© tipos de prote√≠nas pueden atacarse utilizando una mol√©cula peque√Īa.

Luego volvemos a la t√©cnica anterior en el texto y vemos si alguien ha publicado algo que refuerce nuestra hip√≥tesis. Esto no significa necesariamente que nuestra hip√≥tesis sea incorrecta si no hay se√Īal en el texto, porque a veces las personas simplemente no pueden asociar un objetivo espec√≠fico con la enfermedad utilizando m√©todos m√°s antiguos, pero esto nos da un poco m√°s de confianza para ver que alguien ya est√° toc√≥ este problema y este objetivo antes.

Recopilamos grandes cantidades de datos que son simplemente imposibles de procesar con la ayuda de la inteligencia humana. También recopilamos y combinamos estos tipos de datos. A veces, estos tipos de datos son completamente incompatibles, y es imposible simplemente unirlos usando herramientas estándar. Realmente necesita entrenar redes neuronales profundas simultáneamente en varios paquetes de datos para que puedan generalizarse y para que podamos extraer las funciones correspondientes presentes en varios tipos de datos al mismo tiempo.

Algunos de los tipos de datos con los que trabajamos son completamente incomprensibles para la mente humana. Como, por ejemplo, datos de expresión génica o datos de movimiento, o datos de exploración de actividad cardiovascular, o datos de ultrasonido. Logramos combinar estos tipos de datos usando IA y luego determinamos los objetivos correspondientes.

Biología vs Inteligencia Artificial


Michael Kriegsman: ¬Ņ En Insilico, su especializaci√≥n principal es la biolog√≠a y la medicina o el desarrollo de m√©todos de inteligencia artificial? ¬ŅEs posible separar estas dos direcciones?

Alex Zhavoronkov: En nuestro caso, ambas áreas son buenas y contratamos a personas de manera competitiva a nivel internacional. En los concursos, realizamos pruebas muy complejas que las personas deben resolver muy rápidamente. Estos problemas generalmente están asociados con el desarrollo del método de IA y la solución de un problema biológico o químico complejo.

Sin embargo, cuando miras a los cient√≠ficos realmente buenos de la IA, generalmente no son muy buenos en biolog√≠a o qu√≠mica. Son buenos en matem√°ticas. Es por eso que un cierto porcentaje de nuestra compa√Ī√≠a son simplemente matem√°ticos maravillosos que desarrollan nuevos m√©todos, por ejemplo, para combinar la qu√≠mica y la biolog√≠a mediante el aprendizaje profundo.

Parte de la compa√Ī√≠a se especializa en la aplicaci√≥n de m√©todos existentes, como GAN, y en mejorar la capacitaci√≥n sobre problemas existentes en qu√≠mica y biolog√≠a. Estas personas suelen estar del lado aplicado, y conocen tanto la qu√≠mica como la biolog√≠a. Pueden comunicarse con los matem√°ticos, as√≠ como realizar algunas investigaciones b√°sicas en el campo de la IA.

Por supuesto, solo tenemos biólogos y químicos puros que también son necesarios para probar algunos de los resultados de nuestra IA. Es por eso que tenemos un equipo tan grande, diverso e internacional, porque realmente necesitamos cubrir estas tres áreas: métodos, aplicaciones y validación.

Michael Kriegsman: Tenemos una pregunta interesante de Chris Peterson en Twitter que dice: ‚ÄúLos programas paralelos Fortran basados ‚Äč‚Äčen la red todav√≠a se utilizan para algunos estudios farmacocin√©ticos y farmacodin√°micos. ¬ŅVes que la IA reemplaza el c√≥digo de la vieja escuela, lo mejora o evoluciona en paralelo?

Alexander Zhavoronkov: Creo que ahora debemos movernos en paralelo. Por supuesto, algunos de los m√©todos m√°s antiguos todav√≠a son utilizados por expertos verdaderamente l√≠deres en el campo del descubrimiento de f√°rmacos. Pero la mayor√≠a de estos m√©todos son significativamente acelerados por la inform√°tica de alto rendimiento y la inteligencia artificial, por lo que este es un software t√≠pico que ha existido durante mucho tiempo, por ejemplo, Schrodinger. La empresa existe desde hace 92 a√Īos.

La compa√Ī√≠a hizo un gran avance en muchas √°reas, y pudieron avanzar algoritmos antiguos para resolver problemas muy complejos. Creo que en Insilico estamos tratando de reinventar todo y escribir nuestro propio software. Pero, por supuesto, conocemos a muchos de nuestros empleados a quienes simplemente les gustar√≠a tomar peque√Īos trozos de nuestro gran salami, que estamos desarrollando, y jugar con ellos. Tal vez est√°n utilizando herramientas m√°s cl√°sicas que no podemos sortear en este momento.

Idealmente, debe tener un transportador de una pieza que identifique objetivos, genere mol√©culas y las conduzca a trav√©s de una gran cantidad de simulaciones en un transportador sin costuras. Esto es lo que estamos construyendo, y este es nuestro Santo Grial. Pero, por supuesto, muchas compa√Ī√≠as, muchos grupos est√°n tratando de hacer el juego de Lego y est√°n tratando de usar varias herramientas con diferentes resultados para resolver el mismo problema.

Desarrollo de herramientas de IA dentro de la empresa.



Michael Kriegsman: ¬ŅPor qu√© est√°s desarrollando tus propias herramientas?

Alexander Zhavoronkov: S√≠, simplemente porque muchos de los m√©todos que utilizamos son tan nuevos que son incompatibles con herramientas m√°s antiguas. Hay muchos grupos que afirman estar involucrados en inteligencia artificial, pero, de hecho, se dedican a trabajos mec√°nicos, toman software ya hecho y tratan de cerrar algunas brechas en la investigaci√≥n y el desarrollo farmacol√≥gico utilizando estas herramientas. Nosotros no hacemos esto. Desarrollamos todo desde cero, desde el identificador del objetivo hasta la generaci√≥n de peque√Īas mol√©culas.

Michael Kriegsman: Ahora hablamos sobre el uso de sus m√©todos para identificar posibles candidatos. El siguiente paso es evaluar. Primero, debemos liberar las posibilidades, y usted lo hace agregando todos estos datos y luego analiz√°ndolos usando varios m√©todos. Supongamos que lo hiciste. ¬ŅC√≥mo califica a los candidatos que revel√≥ inicialmente?

Alexander Zhavoronkov: Por lo general, cuando tienes una lista de prote√≠nas objetivo para una enfermedad espec√≠fica y tratas de priorizar, intentas anotar estas prote√≠nas con el mayor n√ļmero posible de puntos. Est√° buscando ver si esta prote√≠na objetivo ha estado involucrada en la toxicidad. ¬ŅC√≥mo se relaciona esto con todo lo dem√°s? ¬ŅEn qu√© tejido juega un papel importante? ¬ŅC√≥mo interact√ļa una prote√≠na con otras prote√≠nas? ¬ŅEs esto una cura? ¬ŅEs un f√°rmaco de mol√©cula peque√Īa o un anticuerpo? ¬ŅAlguien m√°s ha usado esto? ¬ŅCu√°l es el espacio de patente alrededor de la mol√©cula? ¬ŅAlguien ha tratado de llevarlo a la cl√≠nica con una mol√©cula peque√Īa o un anticuerpo para una enfermedad espec√≠fica?

Hay muchas, muchas, muchas, muchas funciones de evaluaci√≥n que debe considerar. Al final, cuando b√°sicamente tiene un conjunto muy peque√Īo de objetivos, tambi√©n los prueba en varios sistemas biol√≥gicos para determinar cu√°l es el m√°s adecuado para la enfermedad que le interesa.

Dar√© un ejemplo de la pr√°ctica. Por ejemplo, estamos muy interesados ‚Äč‚Äčen la fibrosis. La fibrosis no es un proceso muy simple de describir, y hay varios tipos de fibrosis. Hay FPI o fibrosis pulmonar. En los pulmones, se observa fibrosis inducida por fumar, adem√°s, se observa fibrosis senil. Hemos identificado m√°s de 120 tipos de fibrosis, comparando tejido normal con tejido fibroso asociado con una condici√≥n particular.

Recientemente realizamos un estudio de caso en el que analizamos IPF, identificamos una lista de objetivos para esta afección y nuestra lista tenía 50 objetivos. Analizamos cuándo estos objetivos son más activos y más relevantes para la enfermedad, en qué etapa de la enfermedad, porque creo que si comprende esto más adelante o resuelve estos problemas más adelante, tratará los síntomas, no la causa.

En nuestro caso, estamos definiendo una gran lista de objetivos que probablemente sean muy relevantes en las primeras etapas de la progresi√≥n de la enfermedad. Luego observamos qu√© objetivos son nuevos, a qu√© objetivos no prest√≥ atenci√≥n la gente. No queremos centrarnos en viejos objetivos. Luego observamos qu√© objetivos son adecuados para las drogas, en los que podr√≠amos encontrar una mol√©cula peque√Īa de la biblioteca, o podemos crear una mol√©cula desde cero. Luego observamos qu√© objetivos se pueden probar en un conjunto particular de ensayos de fibrosis.

Michael Kriegsman: ¬ŅD√≥nde est√° la influencia de las tecnolog√≠as de inteligencia artificial que utiliza en este proceso?

Alexander Zhavoronkov: Por lo general, para calcular los puntos de la evaluaci√≥n del resultado. Distribuyes varios puntos para los objetivos. En nuestro caso, el objetivo tiene m√°s de 50 puntos. Determinamos si ha estado involucrado en cierto estado antes, si interact√ļa con otras prote√≠nas de cierta manera y si esto puede conducir a toxicidad. Los predictores que b√°sicamente le dan una evaluaci√≥n de este tipo y la probabilidad de que este objetivo sea el m√°s relevante son profundamente estudiados y desarrollados por varias organizaciones. Desarrollamos nuestros predictores utilizando el aprendizaje autom√°tico.

Academia vs industria



Michael Kriegsman: Tenemos otra pregunta interesante de Twitter de Shreya Amin. Ella escribe: "¬ŅEn qu√© se diferencian los tipos de investigaci√≥n que describi√≥ y los procesos entre la academia y la industria?"

Alexander Zhavoronkov: Esta es una muy, muy buena pregunta. En la industria, en grandes productos farmacéuticos, las personas son un poco menos emprendedoras. Están tratando de desarrollar varios métodos para realmente resolver el problema y hacer cambios graduales. Sus métodos no están destinados a su publicación en una revista científica.

En la academia, las personas son mucho más ingeniosas y emprendedoras. Están tratando de publicar los resultados. Aquí es de donde viene la innovación en primer lugar.

En Insilico, estamos entre la ciencia y la industria, por lo que publicamos aproximadamente dos artículos científicos al mes. Esto es incluso suficiente para que algunos grupos académicos también prueben el concepto y expliquen hacia dónde vamos.

Los acad√©micos, creo, son mucho m√°s productivos en estos d√≠as, ya sea desarrollando nuevos m√©todos y mostrando nuevas direcciones. Sin embargo, la brecha entre los cient√≠ficos inform√°ticos realmente buenos que est√°n desarrollando nuevos m√©todos que pueden ser relevantes para el descubrimiento de f√°rmacos est√° muy a menudo muy lejos de la biolog√≠a y la qu√≠mica.Producen art√≠culos que son realmente buenos en t√©rminos de aprendizaje autom√°tico, pero los resultados est√°n muy lejos de las aplicaciones reales. Muy a menudo, no entienden realmente que est√°n reequipados en alg√ļn lugar o, si este es un resultado completamente irrelevante, que obtienen o obtienen solo despu√©s de que alguien lo prueba en biolog√≠a y qu√≠mica.

Muy a menudo, y actualmente esto es m√°s com√ļn, muchas personas publican art√≠culos en el Archivocon un titular pegadizo para que se vuelvan virales y sean elegidos por los navegadores, Google o algunas agencias de noticias. Obtienen reconocimiento y relaciones p√ļblicas por este trabajo, pero luego intentas repetir lo que hicieron, o incluso solo lees cuidadosamente el art√≠culo, y entiendes que en el mundo real esto no funcionar√°. Creo que tales art√≠culos y este tipo de esfuerzos, resultados tempranos, especialmente por parte de grupos acad√©micos, sin aprobar una evaluaci√≥n experta, tambi√©n introdujeron un gran escepticismo en las grandes farmacias. La gente simplemente no piensa que muchos m√©todos son relevantes, aplicables o transforman su negocio.

Construyendo un equipo para inteligencia artificial y biotecnología


Michael Kriegsman: Hablemos sobre el aspecto del trabajo en equipo, porque una de las cosas que mencion√≥ un par de veces es la importancia del aprendizaje autom√°tico y la biolog√≠a. Estas son habilidades muy especializadas, y ¬Ņc√≥mo se crean equipos que permiten que ambas partes trabajen juntas y creen algo que uno u otro no pueden hacer solos?

Alexander Zhavoronkov: Esta es otra muy buena pregunta. En nuestro caso, esta es una de las razones por las que estamos creciendo tan lentamente. Llevamos trabajando 5 a√Īos, pero a√ļn somos 66 personas. Una raz√≥n para este crecimiento lento y org√°nico es que lleva tiempo combinar verdaderamente a los cient√≠ficos de IA con bi√≥logos y qu√≠micos. Es muy dif√≠cil encontrar personas que sean buenas en ambos casos al mismo tiempo. Por lo general, est√° bien versado en matem√°ticas o qu√≠mica, o realmente necesita tener buenas habilidades de programaci√≥n para poder crear una API y combinar adecuadamente su tecnolog√≠a con la de otra persona.

Intentamos trabajar en grupos de tres o cuatro personas en proyectos terapéuticos específicos en los que una persona conoce bien la química o la biología, una persona es buena en inteligencia artificial y la otra solo en informática básica. Estos son principalmente equipos de tres o cuatro personas. Además de ellos, existe una infraestructura, una infraestructura organizacional que ayuda a administrar estos equipos. También separamos al equipo de inteligencia artificial de todos los demás para que pudieran trabajar en métodos sin entrar en el campo de la aplicación.

Obtener ese tipo de talentos que realmente desean contribuir al desarrollo de m√©todos y desarrollar nuevos algoritmos es muy, muy dif√≠cil. Conseguir personas que sean buenas para aplicar m√©todos ya desarrollados es bastante simple. Hacer que dos trabajen juntos es muy dif√≠cil. Para hacer esto, nuevamente intentamos lograr un crecimiento org√°nico y trabajar en proyectos en peque√Īos equipos.

Modelo de negocio Insilico


Michael Kriegsman: En realidad, tenemos una pregunta en Twitter sobre su modelo de negocio. Chris Peterson hace preguntas maravillosas. Muchas gracias Chris. √Čl pregunta: "¬ŅHas firmado un acuerdo para buscar una terapia espec√≠fica o est√°s desarrollando mol√©culas desde cero y esperas licenciarlas para ensayos cl√≠nicos a trav√©s de la distribuci√≥n?"

Alexander Zhavoronkov: Llevamos cinco a√Īos trabajando y hemos estudiado varios modelos de negocio. Como empresa de inteligencia artificial, debe investigarlo, porque de lo contrario es muy, muy dif√≠cil de escalar en un modelo de negocio, y tambi√©n es bastante arriesgado.

Comenzamos como una compa√Ī√≠a de servicios, y comenzamos a trabajar con compa√Ī√≠as farmac√©uticas, con compa√Ī√≠as de biotecnolog√≠a, as√≠ como con fondos de riesgo, donde brindamos servicios o proporcionamos un sistema para ellos. Estudiamos las aplicaciones que la gente busca y comenzamos a desarrollar nuestras propias mol√©culas peque√Īas, descubrirlas y luego licenciarlas.

Nuestro modelo de negocio actual es realmente muy simple y nos permite escalar. Trabajamos con empresas de capital de riesgo que realmente conocen el negocio de la biotecnolog√≠a y participan en el desarrollo de medicamentos. Nos dirigen a donde necesitamos identificar objetivos y generar mol√©culas peque√Īas. Luego forman equipos alrededor de estas peque√Īas mol√©culas y sus objetivos y les permiten probar y desarrollar asociaciones de estas mol√©culas objetivo un poco m√°s.

Lo que obtenemos es un peque√Īo pago inicial, y luego recibimos pagos provisionales a medida que las mol√©culas pasan por los diversos pasos de verificaci√≥n. Entonces obtenemos regal√≠as. Por lo general, si est√° considerando un BioBox o un ingreso futuro que puede obtenerse de una mol√©cula, estas transacciones son muy, muy sustanciales, pero el pago inicial es bastante peque√Īo.

Es por eso que tenemos otro negocio que se ocupa de las licencias de software, donde otorgamos licencias de algunas de nuestras herramientas de software a otros para generar algunos ingresos y garantizar la sostenibilidad, la coherencia y la retroalimentación sobre qué tan bien funciona el software; si necesitamos agregar más funciones.

Otro modelo de negocio: tenemos varios sitios conjuntos. Por ejemplo, una empresa conjunta con una empresa llamada Juvenessence. Desarrollan las moléculas que les proporcionamos.

Michael Kriegsman: Bueno, tienes varias cosas en las que est√°s trabajando y tratando de apoyar tus modelos de negocio.

Alexander Zhavoronkov: Eso es correcto. Pero lo que más nos interesa no es el ingreso directo. En la mayoría de estos acuerdos de licencia, obtenemos algunos datos. En gran medida, nos hemos convertido en una de las fábricas de datos más grandes del mundo, recibiendo datos de experimentos preclínicos.

Michael Kriegsman:Esto es interesante Tenemos otra pregunta de Twitter de @TrovatoChristian. Es ingeniero biom√©dico y doctor en filosof√≠a, estudiante de biolog√≠a computacional en el departamento de inform√°tica de Oxford. Por cierto, es muy interesante para m√≠ que la biolog√≠a computacional pertenezca a la secci√≥n de ciencias de la computaci√≥n, y no a la secci√≥n de biolog√≠a. Su pregunta: "¬ŅHay ejemplos de medicamentos desarrollados solo por IA?"

Alexander Zhavoronkov:Actualmente no hay tal ejemplo. Siempre hay una persona entre la IA y la medicina. Espero que en un futuro muy cercano podamos demostrar que un canal en el que no particip√≥ una sola persona desde la identificaci√≥n del objetivo hasta la generaci√≥n de mol√©culas peque√Īas podr√≠a abrir algunas de estas mol√©culas. Pero en este momento, el experimento es el rey entre los m√©todos de descubrimiento y desarrollo de drogas. Entonces, si no puede probar sus m√©todos experimentalmente, no avanzar√°n. Nunca he visto un ejemplo de una mol√©cula que se genere completamente usando IA.

Michael Kriegsman: ¬ŅQu√© impide el uso de IA de principio a fin?

Alexander Zhavoronkov:Bueno, debido a fallas en la farmacia, en general. Hay muy, muy pocas historias de éxito para aprender. Estas historias de éxito son muy, muy diversas. En algunas áreas, es fácil verificar si su algoritmo da un resultado significativo. Pero en muchos casos, realmente necesita ir y verificar todo en cada paso del camino. Es por eso que cuando crea este salami que le permite ir de principio a fin, debe asegurarse de revisar cada pieza de salami y revisarlo dentro, y también verificarlo con socios externos. Esto es lo que estamos tratando de hacer.

Michael Kriegsman: Es posible que ya existan métodos para desarrollar medicamentos contra la IA, pero en esta etapa parece que es demasiado pronto para usar dichos métodos.

Alexander Zhavoronkov:En esta etapa, nadie trató de virtualizar el descubrimiento de drogas completamente usando IA y hacerlo sin intervención humana. En muchas áreas, esto es prácticamente imposible solo porque la biología y la medicina son tan diversas que es muy, muy difícil encontrar una solución que se adapte a todos. Se requiere validación en cada etapa, y por el momento, estos a través de transportadores solo funcionarán en ciertas condiciones terapéuticas.

Michael Kriegsman:D√©jame hacerte otra pregunta de Twitter. Esto es nuevamente de Shreya Amin, una gran pregunta, interesante. Ella escribe: "Utilizando los m√©todos existentes de inteligencia artificial, qu√© √°reas en t√©rminos de tipos de drogas, enfermedades, afecciones, etc. est√°n m√°s cercanas a los avances o han logrado el mayor progreso, y ¬Ņqu√© es lo m√°s dif√≠cil en este proceso?"

Alexander Zhavoronkov: Le dar√© un ejemplo con el que estoy muy, muy familiarizado. Tenemos varios inhibidores de JAK que est√°n completamente desarrollados usando GAN y aprendizaje de refuerzo. Creo que este es uno de los m√©todos m√°s prometedores para el dise√Īo molecular de novo.

Actualmente estamos en la etapa de prueba en ratones, hemos pasado del an√°lisis de enzimas a los ratones y hemos demostrado que ahora podemos lograr selectividad, especificidad con estas mol√©culas, y estas mol√©culas tienen muchas otras propiedades. Estos son m√©todos bastante comunes en nuestro tiempo, tanto la GAN que utilizamos como la t√©cnica de aprendizaje reforzada. Esto no es algo s√ļper nuevo, por lo que realmente cambiamos nuestra investigaci√≥n y desarrollo en una direcci√≥n ligeramente diferente.

Michael Kriegsman: ¬ŅC√≥mo se desarrollar√° todo esto en el pr√≥ximo, no s√©, tres, cuatro a√Īos, dos o cuatro a√Īos? No salgamos por una docena de a√Īos. En los pr√≥ximos a√Īos, ¬Ņc√≥mo se ver√° todo?

Alexander Zhavoronkov:Creo que compa√Ī√≠as como la nuestra prestar√°n mucha m√°s atenci√≥n a su investigaci√≥n y desarrollo internos, en lugar de colaborar con grandes compa√Ī√≠as farmac√©uticas, porque trabajar con grandes compa√Ī√≠as farmac√©uticas generalmente es el camino a la nada, porque esta es la muerte de la empresa en la etapa inicial, o simplemente toman su experiencia y se ponen al d√≠a. Pero al mismo tiempo, son tan burocr√°ticos que son muy dif√≠ciles de cambiar, y al mismo tiempo, a nivel de los CEO, las grandes compa√Ī√≠as farmac√©uticas est√°n m√°s enfocadas en aumentar las ventas o comprar otras compa√Ī√≠as para aumentar las ventas. La investigaci√≥n y el desarrollo internos no se consideran realmente una gran prioridad, y no importa lo que piensen, es un hecho. Por lo general, debe ser del 15-20% en el estado de resultados,porque de lo contrario los inversores no van a invertir en la empresa. Pero el rendimiento de estas investigaciones y desarrollos internos suele ser muy bajo.

Creo que las compa√Ī√≠as de biotecnolog√≠a m√°s peque√Īas que usan IA y virtualizaci√≥n de descubrimiento de f√°rmacos tendr√°n mucho √©xito. Hay algunos casos que admiro en la industria, como Nimbus Therapeutics . Pudieron virtualizar todo el proceso de b√ļsqueda y desarrollo de medicamentos, sacar al mercado algunos de los activos de la segunda fase y licenciarlos.

Creo que las personas que realmente entiendan el proceso y puedan virtualizarlo ser√°n los ganadores. Hasta ahora, conozco varias compa√Ī√≠as que hacen esto, por lo que algunas compa√Ī√≠as trabajan con nosotros. Algunos est√°n en modo sigiloso. Creo que ser√°n ganadores en el futuro.

Cuando se habla del descubrimiento de drogas en dos o tres a√Īos, en realidad es muy, muy poco tiempo. En muchas otras √°reas del desarrollo humano, si me pides que planifique con cinco a√Īos de anticipaci√≥n, no puedo, porque todo cambia muy r√°pidamente. En farmacia esto no es as√≠. Realmente necesitamos experimentar y hacerlo bien.

Investigación sobre longevidad y tabaquismo


Michael Kriegsman: ¬Ņ Cu√©ntanos brevemente sobre el √ļltimo estudio que realizaste sobre la longevidad o el tabaquismo? S√© que no tenemos tiempo, pero ser√≠a genial saberlo.

Alexander Zhavoronkov: Por supuesto. Acabamos de publicar un artículo muy divertido que muestra que fumar acelera el envejecimiento. Un área en la que nos enfocamos es la predicción de la edad utilizando varios tipos de datos, como imágenes, análisis de sangre, datos de transcriptomas, datos proteómicos, datos de microbiomas. Utilizamos estos datos para predecir con precisión la edad de una persona, y luego veremos qué intervenciones o cambios en el comportamiento, qué estilo de vida hace que una persona parezca más joven o más vieja.

Hemos realizado este proyecto en Canadá. Trabajamos con la Universidad de Lethbridge y el Gobierno de Alberta para procesar un gran conjunto de datos de fumadores y no fumadores de diferentes edades, estudiando solo análisis de sangre anónimos. En primer lugar, creamos un predictor del tabaquismo, por lo que ahora puedo decir con suficiente confianza si fuma o no mediante un análisis de sangre, pero también demostramos que las personas que fuman parecen mayores que los no fumadores en función del uso de una red neuronal profunda capacitado en análisis de sangre.

Después de que publicamos el artículo, se volvió bastante viral y recibimos críticas muy positivas. Por ejemplo, mi hija piensa en dejar de fumar solo porque no quiere parecer vieja. A las personas realmente no les importa su salud, pero realmente les importa cómo se ven. Si no quiere parecer viejo, simplemente deje de fumar.

Michael Kriegsman: Bien. Gran consejo Alexander, muchas gracias por tomarte el tiempo de hablar con nosotros. Que tengas un buen día. Cuídate. Adios adios

El original

Source: https://habr.com/ru/post/440822/


All Articles