الذكاء الاصطناعي في الطب: علوم الحياة واكتشاف المخدرات

مرحبا يا هبر! اليوم سأريكم ترجمتكم لمقابلة رائعة مع ألكساندر تشافورونكوف . آمل أن يكون من المثير للاهتمام بالنسبة لك أن تقرأه بالنسبة لي للترجمة.



الذكاء الاصطناعي يعدنا بصحة أفضل ، وتطوير واختبار أسرع للمخدرات. كل هذا يتم بهدف تحسين نتائج المرضى. نتحدث اليوم مع خبير عالمي حول استخدام الذكاء الاصطناعي في علوم الحياة ، والذي يتمثل هدفه في العثور على العقاقير وتطويرها بشكل أسرع وأرخص.

ألكسندر زافورونكوف هو مؤسس ومدير تنفيذي لشركة Insilico Medicine. الشركة هي شركة رائدة في مجال الذكاء الاصطناعي للجيل القادم ، والتي تهدف طرقها إلى اكتشاف عقاقير جديدة ، وتطوير العلامات الحيوية والبحث عن الشيخوخة. قبل إنسيليكو ، عمل في مناصب إدارية في ATI Technologies و NeuroG Neuroinformatics ، ومؤسسة أبحاث البيولوجيا الحيوية و YLabs.AI. منذ عام 2012 ، نشر أكثر من 130 مقالة علمية تمت مراجعتها من قبل النظراء وكتابين. لمدة ست سنوات ، قام بتنظيم المنتديات السنوية "البحث عن الشيخوخة لاكتشاف المخدرات والذكاء الاصطناعي للرعاية الصحية" في بازل لايف / EMBO في بازل. ألكساندر أستاذ مشارك في معهد باك لأبحاث الشيخوخة.



مايكل كريجسمان : أخبرنا لفترة وجيزة عن Insilico Medicine وما الذي تعمل عليه.

ألكساندر زافورونكوف: نحن نركز بشكل أساسي على تطبيق أساليب الذكاء الاصطناعي من الجيل التالي لتطوير الأدوية ، وتطوير العلامات الحيوية ، وأبحاث الشيخوخة. نركز بشكل خاص على تقنيتين للتعلم الآلي: شبكات الخصومات التوليفية ( GAN ) والتعلم المعزز . هذه هي الطرق التي نحن الأكثر خبرة في مجالنا.

نحن نستخدم هذه الأساليب لغرضين. أحدها هو تحديد الأهداف البيولوجية وإنشاء علامات حيوية من عدة أنواع من البيانات ، وكذلك إنشاء جزيئات جديدة ، وهياكل جزيئية جديدة مع مجموعة محددة من الخصائص. كنا من أوائل الشركات ، ربما أول من ابتكر جزيئات جديدة باستخدام تقنية جديدة تسمى الشبكات التنافسية التوليدية ، واختبار هذه الجزيئات بشكل تجريبي.

ما هو خط أنابيب تطوير المخدرات؟

مايكل كريسمان: أعطنا بعض السياق. ما هو خط أنابيب تطوير المخدرات؟ لماذا هو صعب جدا؟ دعنا نتحدث عن ذلك. بعد ذلك ، يمكننا الانتقال إلى كيفية جعل الذكاء الاصطناعي أفضل وأسهل.

ألكسندر زافورونكوف: إن اكتشاف وتطوير العقاقير عملية طويلة جدًا. كما أنها واحدة من تلك العمليات حيث لديك المزيد من الفشل أكثر من النجاحات. في الواقع ، هناك إخفاقات أكثر بكثير من النجاحات.

يتطلب الأمر أكثر من 2.6 مليار دولار لتطوير دواء وإحضاره إلى السوق لعلاج مرض محدد. هذا بعد أن تم اختبار الجزيء في الحيوانات. بالإضافة إلى ذلك ، بعد اختبار الجزيء في الحيوانات ، فإن معدل الفشل هو 92 ٪. عندما يتم اختبار الدواء في البشر ، فإنه يفشل في 92 ٪ من الحالات. لذلك ، فإن العملية ليست طويلة فحسب ، ولكن أيضا محفوفة بالمخاطر.

عادةً ما يكون الوقت اللازم لاكتشاف الجزيء وتطويره حوالي عشر سنوات. الأشخاص الذين يبدأون العملية لا يكونون دائمًا موجودين عندما يغزو الجزيء. تتكون العملية من عدة مراحل.

الأول هو جيل الفرضيات. لقد طرحت فرضية ونظرية لمرض محدد وتحديد الأهداف المناسبة. أنت تتحدث عن أي بروتينات متورطة في المرض وأي بروتينات هي السبب.

بعد ذلك ، تذهب وتطور جسمًا مضادًا أو جزيءًا صغيرًا لهذا البروتين المستهدف. إذا كنت تقوم بتطوير جزيء صغير ، فعادةً ما تبدأ بفحص مكتبات كبيرة من المركبات التي يمكن أن تصل إلى هذا الهدف المحدد ، وتجري جميع أنواع التجارب لمعرفة مدى ارتباط هذه الجزيئات الصغيرة بهذا الهدف.

بعد ذلك ، يمكنك تحديد عدة خيارات. يمكنك تحديد الجزيئات الأكثر ملاءمة لهذا الهدف من البروتين ، وتبدأ في إجراء جميع أنواع التجارب على هذه الجزيئات لتحديد ما إذا كانت تعمل بشكل جيد في النظام البيولوجي ، في تحليل مرتبط بالمرض ، في الماوس أو الكلب أو الحيوانات الأخرى ، و ثم تتقدم بطلب للحصول على IND (بحث جديد في الأدوية ) مع إدارة الأغذية والعقاقير للحصول على الجزيء في التجارب السريرية.

بعد الانتهاء من هذه العملية ، نبدأ في تطوير الأدوية والبدء في التجارب السريرية. كل شيء يبدأ مع المرحلة الأولى ، والتي تتعلق بالأمان. في المرحلة الثانية ، يمكنك اختبار الدواء لفعالية. في المرحلة الثالثة ، تختبر المرحلتين في بيئات سريرية كبيرة ، في أعداد كبيرة من السكان. بعد ذلك ، يمكنك المتابعة إلى المرحلة الرابعة أو بدء إصدار المنتج.

اكتشاف المخدرات وبحوث ما بعد التسويق

ألكساندر زافورونكوف: ثم بحث ما بعد التسويق. تستغرق هذه العملية عادة أكثر من عشر سنوات وتفشل في 92٪ من الحالات.

مع AI ، يمكنك أن تلعب حقًا في جميع القطاعات تقريبًا ، بدءًا من اكتشاف العقاقير في مرحلة مبكرة ، عندما تستطيع الذكاء الاصطناعي أن تساعدك في نموذج الفرضية ، وفي الواقع ، تسحب الإبر من كومة قش مع معرف الهدف ، مع تحديد الجزيئات الصغيرة ، مع الفحص الظاهري ، مع إنشاء جزيئات جديدة ذات خصائص خاصة ، مع تخطيط لتصميم تجربة سريرية وإدراجها في تجربة سريرية. ثم ، أيضًا ، للتنبؤ بنتائج التجارب السريرية.

مايكل كريسمان: من أين تبدأ منظمة العفو الدولية في تقصير العملية ، هل تفعل ذلك بشكل أفضل؟

ألكساندر زافورونكوف: إذا كنت في المراحل الأولى من تطوير الدواء ، ابدأ العمل على توليد فرضيات وتحديد الأهداف ، فعادةً ما يكون لديك العديد من الطرق لمتابعة. طريقة واحدة هي البحث عن الأدب وتحديد المجالات الواعدة التي اكتشفها العلماء في الماضي والمنشورة.

يمكن أن تساعدك الذكاء الاصطناعي على إنتاج كمية هائلة من الأدب ، وكذلك المصادر الأخرى ذات الصلة ، لتحديد الإشارات والأهداف التي قد ترتبط بالمرض. عادة ما نبدأ في Insilico ببيانات المنح. نحن نبحث في المنح الطبية الحيوية بقيمة حوالي 1.7 تريليون دولار على مدى السنوات ال 25 الماضية. ثم ننظر إلى كيفية تحول هذه المنح إلى منشورات ، إلى براءات اختراع التجارب السريرية ، ثم إلى منتجات في السوق.

نتابع من الفكرة إلى الفكرة ومن الأموال إلى المال ، أي من الأموال في السوق. نراقب أيضًا كيف يصبح المال بيانات. لذلك ، عادة ، عندما تدعم الحكومة دراسة معينة ، ينبغي تخزين البيانات في مستودع عام حتى يتمكن الأشخاص الآخرون من نسخها ، وكذلك للصالح العام.

نحن نحاول تتبع الأموال الموجودة في البيانات. إذا لم تكن هناك بيانات ، فإننا نحاول الاتصال بالعالم والحصول على بيانات من العالم و / أو نحث العالم على وضع البيانات في متجر عام.

نبدأ بقواعد البيانات النصية ، ولكن أيضًا نربط هذه البيانات ببيانات omix. في الواقع ، كل ما ينتهي بـ "أوم" (النصوص ، الجينوم ، الأيض ، الميتاجينوميات) يسمى بيانات أوميكس.

نحن نعمل بشكل أساسي مع البيانات المتعلقة بالتعبير الجيني ، لذلك نحن ننظر في كيفية تغير مستوى التعبير عن جينات معينة أو شبكات كاملة ، من حالة صحية إلى مرض. نقوم بتحويل هذه التغييرات ، وعلامات المرض هذه إلى أهداف منفصلة ، وتحديد أنواع البروتينات التي يمكن استهدافها باستخدام جزيء صغير.

ثم نعود إلى الفن السابق في النص ونرى ما إذا كان أي شخص قد نشر أي شيء من شأنه أن يعزز فرضيتنا. هذا لا يعني بالضرورة أن فرضيتنا غير صحيحة في حالة عدم وجود إشارة في النص ، لأنه في بعض الأحيان لا يمكن للناس ببساطة ربط هدف محدد بالمرض باستخدام طرق قديمة ، لكن هذا يعطينا مزيدًا من الثقة لنتأكد من وجود شخص ما بالفعل لمست هذه المشكلة وهذا الهدف من قبل.

نحن نجمع كميات هائلة من البيانات التي من المستحيل معالجتها بمساعدة الذكاء البشري. نجمع ونجمع أيضًا أنواع البيانات هذه. في بعض الأحيان ، لا تتوافق أنواع البيانات هذه تمامًا ، ولا يمكن ببساطة تجميعها معًا باستخدام الأدوات القياسية. تحتاج حقًا إلى تدريب الشبكات العصبية العميقة في وقت واحد في عدة حزم بيانات بحيث يمكن تعميمها حتى نتمكن من استخراج الوظائف المقابلة الموجودة في العديد من أنواع البيانات في نفس الوقت.

بعض أنواع البيانات التي نتعامل معها غير مفهومة تمامًا للعقل البشري. على سبيل المثال ، بيانات التعبير الجيني أو بيانات الحركة ، أو مسح بيانات نشاط القلب والأوعية الدموية ، أو بيانات الموجات فوق الصوتية. نجحنا في الجمع بين أنواع البيانات هذه باستخدام الذكاء الاصطناعي ، ثم تحديد الأهداف المقابلة.

علم الأحياء مقابل الذكاء الاصطناعي

مايكل كريغسمان : في Insilico ، تخصصك الرئيسي هو البيولوجيا والطب أو تطوير أساليب الذكاء الاصطناعي؟ هل من الممكن فصل هذين الاتجاهين؟

أليكس زافورونكوف: في حالتنا ، كلا المجالين جيدان ، ونحن نوظف أشخاصًا على أساس تنافسي دوليًا. في المسابقات ، نجري اختبارات معقدة للغاية يجب على الناس حلها بسرعة كبيرة. ترتبط هذه المشكلات عادةً بتطور طريقة الذكاء الاصطناعي وحل مشكلة بيولوجية أو كيميائية معقدة.

ومع ذلك ، عندما تنظر إلى العلماء العظماء حقًا من الذكاء الاصطناعى ، فإنهم عادة لا يجيدون علم الأحياء أو الكيمياء. إنها جيدة في الرياضيات. هذا هو السبب في أن نسبة معينة من شركتنا هي ببساطة علماء رياضيات رائعون يطورون أساليب جديدة ، على سبيل المثال ، للجمع بين الكيمياء والبيولوجيا باستخدام التعلم العميق.

جزء من الشركة متخصص في تطبيق الأساليب الحالية ، مثل GAN ، وتعزيز التدريب على المشاكل الحالية في الكيمياء والبيولوجيا. هؤلاء الأشخاص عادة ما يكونون في الجانب التطبيقي ، وهم يعرفون كل من الكيمياء والبيولوجيا. يمكنهم التواصل مع علماء الرياضيات ، وكذلك إجراء بعض الأبحاث الأساسية في مجال الذكاء الاصطناعى.

بالطبع ، لدينا فقط علماء أحياء وصيادلة نقيون مطلوبون أيضًا لاختبار بعض نتائج الذكاء الاصطناعي لدينا. لهذا السبب لدينا فريق كبير ومتنوع ودولي ، لأننا نحتاج حقًا إلى تغطية هذه المجالات الثلاثة: الطرق والتطبيقات والتحقق من الصحة.

Michael Kriegsman: لدينا سؤال مثير للاهتمام من Chris Peterson على Twitter يقول: "لا تزال برامج Fortran الموازية القائمة على الشبكة تستخدم في بعض الدراسات الدوائية والدوائية. هل ترى أن الذكاء الاصطناعي يحل محل كود المدرسة القديمة ، أو يعززه أو يتطور بشكل متوازٍ؟ "

ألكسندر زافورونكوف: أعتقد الآن أننا بحاجة إلى التحرك بالتوازي. بالطبع ، لا تزال بعض الأساليب القديمة تستخدم من قبل خبراء رائدين حقًا في مجال اكتشاف المخدرات. لكن معظم هذه الطرق يتم تسريعها بشكل كبير من خلال الحوسبة عالية الأداء والذكاء الاصطناعي ، لذلك هذا هو برنامج نموذجي موجود منذ فترة طويلة للغاية ، على سبيل المثال ، Schrodinger. الشركة موجودة منذ 92 عام.

حققت الشركة طفرة كبيرة في العديد من المجالات ، وتمكنت من تطوير الخوارزميات القديمة لحل المشاكل المعقدة للغاية. أعتقد أننا في Insilico نحاول إعادة اختراع كل شيء وكتابة برنامجنا الخاص. لكن ، بالطبع ، نحن نعرف الكثير من موظفينا الذين يرغبون ببساطة في تناول قطع صغيرة من السلامي الكبير ، الذي نقوم بتطويره واللعب معه. ربما يستخدمون أدوات أكثر كلاسيكية لا يمكننا الالتفاف عليها الآن.

من الناحية المثالية ، يجب أن يكون لديك ناقل من قطعة واحدة يحدد الأهداف وينشئ الجزيئات ويقوم بإجراء هذه الجزيئات من خلال عدد كبير من المحاكاة في ناقل سلس واحد. هذا هو ما نبنيه ، وهذا هو الكأس المقدسة. لكن ، بالطبع ، العديد من الشركات ، تحاول العديد من المجموعات صنع لعبة Lego وتحاول استخدام العديد من الأدوات ذات النواتج المختلفة لحل المشكلة نفسها.

تطوير أدوات الذكاء الاصطناعي داخل الشركة

مايكل كريسمان: لماذا تقوم بتطوير أدواتك الخاصة؟

ألكسندر زافورونكوف: نعم ، ببساطة لأن العديد من الطرق التي نستخدمها جديدة إلى درجة أنها لا تتوافق مع الأدوات القديمة. هناك العديد من المجموعات التي تدعي مشاركتها في الذكاء الاصطناعي ، لكنها في الواقع تعمل في مجال الأعمال الميكانيكية وأخذ البرامج الجاهزة وتحاول سد بعض الثغرات في البحث والتطوير الدوائي باستخدام هذه الأدوات. نحن لا نفعل هذا. نحن نطور كل شيء من الصفر ، من معرف الهدف إلى توليد جزيئات صغيرة.

مايكل كريسمان: تحدثنا الآن عن استخدام أساليبك لتحديد المرشحين المحتملين. والخطوة التالية هي تقييم. أولاً ، يجب أن نطلق العنان للاحتمالات ، ويمكنك القيام بذلك عن طريق تجميع كل هذه البيانات ثم تحليلها باستخدام طرق مختلفة. لنفترض أنك فعلت ذلك. كيف تقيم المرشحين الذين كشفتهم في البداية؟

ألكساندر زافورونكوف: عادة ، عندما يكون لديك قائمة بالبروتينات المستهدفة لمرض معين وتحاول تحديد الأولويات ، فإنك تحاول إضافة تعليقات توضيحية إلى هذه البروتينات بأكبر عدد ممكن من النقاط. كنت تبحث لمعرفة ما إذا كان هذا البروتين المستهدف قد شارك في السمية. كيف يرتبط هذا بكل شيء آخر؟ في أي نسيج يلعب دورًا كبيرًا؟ كيف يتفاعل البروتين مع البروتينات الأخرى؟ هل هذا علاج؟ هل هو دواء جزيء صغير أو جسم مضاد؟ وقد أي شخص آخر يستخدم هذا؟ ما هي مساحة براءة الاختراع حول الجزيء؟ هل حاول أحد نقله إلى العيادة مع جزيء صغير أو جسم مضاد لمرض معين؟

هناك الكثير والكثير والكثير من وظائف التقييم التي يجب عليك أخذها في الاعتبار. في النهاية ، عندما يكون لديك أساسًا مجموعة صغيرة جدًا من الأهداف ، يمكنك أيضًا اختبارها في أنظمة بيولوجية مختلفة لتحديد الهدف الأكثر ملاءمة للمرض الذي تهتم به.

سأقدم مثالا من الممارسة. على سبيل المثال ، نحن مهتمون جدًا بالتليف. التليف ليس عملية بسيطة للغاية لوصفها ، وهناك عدة أنواع من التليف. هناك IPF ، أو التليف الرئوي. في الرئتين ، لوحظ التليف الناتج عن التدخين ، إضافة إلى ذلك ، لوحظ التليف الخرف. لقد حددنا أكثر من 120 نوعًا من التليف ، مقارنة الأنسجة الطبيعية بأنسجة ليفية مرتبطة بحالة معينة.

لقد أجرينا مؤخرًا دراسة حالة نظرنا فيها في IPF ، وحددنا قائمة بالأهداف لهذا الشرط ، وكانت قائمتنا تضم ​​50 هدفًا. لقد درسنا عندما تكون هذه الأهداف أكثر نشاطًا وأكثر صلة بالمرض ، وفي أي مرحلة من مراحل المرض ، لأنني أعتقد أنه إذا فهمت ذلك لاحقًا أو حلت هذه المشكلات لاحقًا ، فسوف تعالج الأعراض وليس السبب.

في حالتنا ، نقوم بتحديد قائمة كبيرة من الأهداف التي من المحتمل أن تكون ذات صلة كبيرة في المراحل المبكرة من تطور المرض. ثم ننظر إلى الأهداف الجديدة التي تستهدف الأشخاص الذين لم ينتبهوا إليها. نحن لا نريد التركيز على الأهداف القديمة. ثم نلقي نظرة على الأهداف المناسبة للعقاقير ، حيث يمكننا في الواقع العثور على جزيء صغير من المكتبة ، أو يمكننا إنشاء جزيء من نقطة الصفر. ثم ننظر إلى الأهداف التي يمكن اختبارها في مجموعة معينة من فحوصات التليف.

مايكل كريسمان: أين هو تأثير تقنيات الذكاء الاصطناعي التي تستخدمها في هذه العملية؟

ألكساندر زافورونكوف: عادةً لحساب درجة النتيجة. يمكنك توزيع عدة نقاط للأهداف. في حالتنا ، فإن الهدف لديه أكثر من 50 نقطة. نحدد ما إذا كان قد تورط في حالة معينة من قبل ، ما إذا كان يتفاعل مع البروتينات الأخرى بطريقة معينة ، وما إذا كان هذا يمكن أن يؤدي إلى سمية. هؤلاء المتنبئون الذين يعطونك هذا التقييم بشكل أساسي واحتمالية أن يكون هذا الهدف هو الأكثر صلة ، يتم دراستها وتطويرها بعمق بواسطة منظمات مختلفة. طورنا تنبؤاتنا باستخدام التعلم الآلي.

أكاديمية مقابل الصناعة

مايكل كريسمان: لدينا سؤال آخر مثير للاهتمام من Twitter من Shreya Amin. وهي تكتب: "كيف أنواع البحوث التي وصفتها والعمليات تختلف بين الأوساط الأكاديمية والصناعة؟"

ألكسندر زافورونكوف: هذا سؤال جيد للغاية. في الصناعة ، وفي المستحضرات الصيدلانية الكبيرة ، يكون الأشخاص أقل ريادة في الأعمال التجارية. إنهم يحاولون تطوير طرق مختلفة لحل المشكلة وإجراء تغييرات تدريجية. لا تهدف أساليبهم إلى النشر في مجلة علمية.

في الأوساط الأكاديمية ، الناس أكثر إبداعًا وريادة الأعمال. انهم يحاولون نشر النتائج. هذا هو المكان الذي يأتي منه الابتكار في المقام الأول.

في Insilico ، نحن بين العلم والصناعة ، لذلك ننشر حوالي ورقتين علميتين في الشهر. هذا يكفي لبعض المجموعات الأكاديمية لإثبات المفهوم وتوضيح إلى أين نحن ذاهبون.

أعتقد أن الأكاديميين أكثر إنتاجية هذه الأيام ، سواء كان ذلك بتطوير أساليب جديدة وإظهار اتجاهات جديدة. ومع ذلك ، فإن الفجوة بين علماء الكمبيوتر الجيدين حقًا الذين يطورون أساليب جديدة قد تكون ذات صلة باكتشاف العقاقير ، غالبًا ما تكون بعيدة عن علم الأحياء والكيمياء.إنها تنتج مقالات جيدة حقًا من حيث التعلم الآلي ، لكن النتائج بعيدة جدًا عن التطبيقات الحقيقية. في كثير من الأحيان ، لا يفهمون حقًا أنهم قد تمت إعادة تجهيزهم في مكان ما ، أو إذا كانت هذه نتيجة لا صلة لها بالموضوع ، فإنها تحصل عليها أو تحصل عليها فقط بعد أن يحاول شخص ما ذلك في علم الأحياء والكيمياء.

في كثير من الأحيان ، وهذا هو في الواقع أكثر شيوعًا ، ينشر العديد من الأشخاص مقالات في الأرشيفمع عنوان جذاب بحيث تصبح فيروسية ويتم اختيارهم من قبل المتصفحات أو جوجل أو بعض وكالات الأنباء. يحصلون على تقدير وعلاقات عامة لهذا العمل ، ولكن بعد ذلك تحاول تكرار ما قاموا به ، أو حتى قراءة المقالة بعناية ، وأنت تفهم أن هذا لن ينجح في العالم الواقعي. أعتقد أن مثل هذه المقالات ومثل هذه الجهود ، والنتائج المبكرة ، وخاصة من جانب المجموعات الأكاديمية ، دون اجتياز تقييم خبير ، قد أدخلت أيضًا شكوك كبيرة في الصيدلية الكبيرة. الناس ببساطة لا يعتقدون أن العديد من الطرق ذات صلة أو قابلة للتطبيق أو تحول أعمالهم.

بناء فريق للذكاء الاصطناعي والتكنولوجيا الحيوية

مايكل كريسمان: دعونا نتحدث عن جانب بناء الفريق ، لأن أحد الأشياء التي ذكرتها عدة مرات هي أهمية كل من قدرات التعلم الآلي وقدرات البيولوجيا. هذه مهارات متخصصة للغاية ، وكيف تنشئ فرقًا تسمح لكلا الطرفين بالعمل معًا وإنشاء شيء لا يستطيع أحدهما الآخر القيام به بمفرده؟

الكسندر زافورونكوف: هذا سؤال جيد للغاية. في حالتنا ، هذا هو أحد الأسباب التي تجعلنا ننمو ببطء شديد. نحن نعمل منذ 5 سنوات ، لكننا لا نزال 66 شخصًا. أحد أسباب هذا النمو العضوي البطيء هو أن الجمع بين علماء الذكاء الاصطناعي والباحثين والكيميائيين يستغرق حقًا وقتًا. من الصعب جدًا العثور على أشخاص يتمتعون بالرضا في كلتا الحالتين في نفس الوقت. عادة ما تكون على دراية جيدة بالرياضيات أو الكيمياء ، أو تحتاج حقًا إلى امتلاك مهارات برمجة جيدة لتكون قادرًا على إنشاء واجهات برمجة التطبيقات والجمع بين تقنيتك بشكل صحيح مع شخص آخر.

نحاول العمل في مجموعات من ثلاثة أو أربعة أشخاص في مشاريع علاجية محددة يكون فيها شخص واحد على دراية جيدة بالكيمياء أو البيولوجيا ، وشخص واحد جيد في الذكاء الاصطناعي ، والآخر في تكنولوجيا المعلومات الأساسية فقط. هذه هي أساسا فرق من ثلاثة أو أربعة أشخاص. بالإضافة إلى ذلك ، هناك بنية تحتية ، بنية تحتية تنظيمية تساعد في إدارة هذه الفرق. فصلنا أيضًا فريق الذكاء الاصطناعي عن أي شخص آخر حتى يتمكنوا من العمل على الأساليب دون الدخول في حقل التطبيق.

من الصعب جدًا الحصول على هذه الأنواع من المواهب التي تريد حقًا المساهمة في تطوير الأساليب وتطوير خوارزميات جديدة. إن جعل الأشخاص الذين يجيدون تطبيق الأساليب المطورة بالفعل أمر بسيط للغاية. الحصول على اثنين للعمل معا أمر صعب للغاية. للقيام بذلك ، نحاول مرة أخرى تحقيق نمو عضوي والعمل على مشاريع في فرق صغيرة.

Insilico نموذج الأعمال

مايكل كريسمان: في الواقع ، لدينا سؤال على تويتر حول نموذج عملك. يسأل كريس بيترسون أسئلة رائعة. شكرا جزيلا ، كريس. يسأل: "هل أبرمت اتفاقًا للبحث عن علاج محدد أم أنك تطور جزيئات من الصفر وتأمل في ترخيصها للتجارب السريرية من خلال التوزيع؟"

ألكسندر زافورونكوف: لقد عملنا لمدة خمس سنوات ، ودرسنا العديد من نماذج الأعمال. كشركة للذكاء الاصطناعي ، يجب عليك البحث عنها ، لأنه من الصعب للغاية التوسع في نموذج عمل واحد ، كما أنه ينطوي على مخاطرة كبيرة.

بدأنا كشركة خدمات ، وبدأنا العمل مع شركات الأدوية ، وشركات التكنولوجيا الحيوية ، وكذلك مع صناديق المشاريع ، حيث قدمنا ​​خدمات أو قدمنا ​​نظامًا لهم. لقد درسنا التطبيقات التي يبحث عنها الأشخاص ، وبدأنا في تطوير جزيئاتنا الصغيرة الخاصة بنا واكتشافها ثم ترخيصها.

نموذج أعمالنا الحالي بسيط للغاية ويسمح لنا بالتوسع. نحن نعمل مع شركات رأس المال الاستثماري التي تعرف حقًا أعمال التكنولوجيا الحيوية وتشارك في تطوير الأدوية. إنها توجهنا إلى حيث نحتاج إلى تحديد الأهداف وتوليد جزيئات صغيرة. ثم يشكلون فرقًا حول هذه الجزيئات الصغيرة وأهدافها وتسمح لهم باختبار وتطوير ارتباطات هذه الجزيئات المستهدفة أكثر من ذلك بقليل.

ما نحصل عليه هو دفعة أولى صغيرة ، ثم نحصل على مدفوعات مؤقتة بينما تمر الجزيئات بمختلف خطوات التحقق. ثم نحصل على الإتاوات. عادة ، إذا كنت تفكر في BioBox أو الدخل المستقبلي الذي يمكن الحصول عليه من جزيء ، فإن هذه المعاملات كبيرة للغاية ، ولكن الدفعة الأولى صغيرة جدًا.

لهذا السبب لدينا أعمال أخرى تتعامل مع ترخيص البرامج ، حيث نقوم بترخيص بعض أدوات البرامج الخاصة بنا للآخرين لتوليد بعض الإيرادات وضمان الاستدامة والاتساق والتعليقات حول كيفية عمل البرنامج ؛ إذا كنا بحاجة إلى إضافة المزيد من الميزات.

نموذج أعمال آخر - لدينا العديد من المواقع المشتركة. على سبيل المثال ، مشروع مشترك مع شركة تسمى Juvenessence. يطورون الجزيئات التي نوفرها لهم.

مايكل كريسمان: حسنًا ، لديك عدد من الأشياء التي تعمل عليها وتحاول دعم نماذج عملك.

الكسندر زافورونكوف: هذا صحيح. لكن ما يهمنا أكثر هو الدخل المباشر. في معظم اتفاقيات الترخيص هذه ، نحصل على بعض البيانات. إلى حد كبير ، أصبحنا أحد أكبر مصانع البيانات في العالم ، حيث نتلقى بيانات من تجارب ما قبل السريرية.

مايكل كريسمان:هذا مثير للاهتمام. لدينا سؤال Twitter آخر من @ TrovatoChristian. وهو مهندس طبي حيوي ودكتوراه ، طالب في البيولوجيا الحاسوبية في قسم علوم الكمبيوتر في أكسفورد. بالمناسبة ، من المثير للاهتمام بالنسبة لي أن علم الأحياء الحسابي ينتمي إلى قسم علوم الكمبيوتر ، وليس إلى قسم علم الأحياء. سؤاله: "هل هناك أمثلة على الأدوية التي طورتها منظمة العفو الدولية فقط؟"

الكسندر زافورونكوف:لا يوجد حاليا مثل هذا المثال. هناك دائمًا شخص ما بين الذكاء الاصطناعي والطب. آمل أن نتمكن في المستقبل القريب جدًا من إظهار أن القناة التي لم يشارك فيها شخص واحد من تحديد الهدف إلى توليد جزيئات صغيرة يمكنها فتح بعض هذه الجزيئات. لكن في الوقت الحالي ، تعتبر التجربة ملكًا بين أساليب اكتشاف العقاقير وتطويرها. لذلك إذا لم تتمكن من اختبار أساليبك بشكل تجريبي ، فلن تتحرك إلى الأمام. لم أر مثالًا على جزيء تم إنشاؤه بالكامل باستخدام الذكاء الاصطناعي.

مايكل كريسمان: ما الذي يمنع استخدام الذكاء الاصطناعى من البداية إلى النهاية؟

الكسندر زافورونكوف:حسنا ، بسبب الفشل في الصيدلية ، بشكل عام. هناك عدد قليل جدًا من قصص النجاح التي يمكنك التعلم منها. قصص النجاح هذه متنوعة للغاية. في بعض المناطق ، يكون من السهل التحقق مما إذا كانت الخوارزمية لديك تعطي أي ناتج ذي معنى. ولكن في كثير من الحالات ، تحتاج حقًا إلى الذهاب والتحقق من كل شيء في كل خطوة على الطريق. لهذا السبب عند إنشاء هذا السلامي الذي يسمح لك بالرحيل من البداية إلى النهاية ، يجب عليك التأكد من فحص كل قطعة من السلامي والتحقق منها داخلها ، وكذلك التحقق من ذلك مع شركاء خارجيين. هذا هو ما نحاول القيام به.

مايكل كريسمان: من المحتمل وجود طرق لتطوير عقاقير الذكاء الاصطناعي بالفعل ، ولكن في هذه المرحلة ، يبدو من المبكر جدًا استخدام هذه الأساليب.

الكسندر زافورونكوف:في هذه المرحلة ، لم يحاول أحد محاكاة اكتشاف الأدوية باستخدام الذكاء الاصطناعي بالكامل والقيام به دون تدخل بشري. في العديد من المجالات ، يكون هذا مستحيلًا من الناحية العملية فقط لأن البيولوجيا والطب متنوعان للغاية بحيث يصعب جدًا العثور على حل يناسب الجميع. مطلوب التحقق من الصحة في كل مرحلة ، وفي الوقت الحالي ، لن تعمل هذه من خلال الناقلات إلا في ظروف علاجية معينة.

مايكل كريسمان:اسمح لي أن أطرح عليك سؤالًا آخر من Twitter. هذا مرة أخرى من شريا أمين ، سؤال رائع ، مثير للاهتمام. وهي تكتب: "باستخدام الأساليب الحالية للذكاء الاصطناعي ، ما هي المجالات من حيث أنواع المخدرات والأمراض والظروف ، وما إلى ذلك هي الأقرب إلى الاختراقات أو التي حققت أكبر تقدم ، وما أصعبها في هذه العملية؟"

ألكساندر تشافورونكوف: سأقدم لك مثالاً أتعرف عليه جيدًا. لدينا العديد من مثبطات JAK التي تم تطويرها بالكامل باستخدام GAN والتعلم التعزيز. أعتقد أن هذه واحدة من أكثر الطرق الواعدة للتصميم الجزيئي لدي نوفو.

نحن الآن في مرحلة الاختبار في الفئران ، وذهبنا على طول الطريق من تحليلات الإنزيم إلى الفئران وأظهرنا أنه يمكننا الآن تحقيق الانتقائية والخصوصية مع هذه الجزيئات ، وهذه الجزيئات لها العديد من الخصائص الأخرى. هذه طرق شائعة جدًا في عصرنا ، كل من GAN استخدمناها وتقنية التعلم المعززة. هذا ليس شيئًا جديدًا ، لذلك قمنا بالفعل بتحويل أبحاثنا وتطويرنا في اتجاه مختلف قليلاً.

مايكل كريسمان: كيف سيتطور كل هذا في العام المقبل ، لا أعرف ، ثلاث أو أربع سنوات ، سنتين أو أربع سنوات؟ دعونا لا نخرج لمدة عشر سنوات. على مدى السنوات القليلة المقبلة ، كيف سيبدو كل شيء؟

الكسندر زافورونكوف:أعتقد أن شركات مثل شركتنا ستولي المزيد من الاهتمام للبحث والتطوير الداخليين ، بدلاً من التعاون مع شركات الأدوية الكبيرة ، لأن العمل مع شركات الأدوية الكبيرة عادة ما يكون الطريق إلى أي مكان ، لأن هذا هو إما وفاة الشركة في المرحلة الأولية ، أو أنهم ببساطة يأخذون خبرتك ويتعقبوا. لكن في الوقت نفسه ، فهي بيروقراطية لدرجة يصعب تغييرها ، وفي الوقت نفسه ، على مستوى المديرين التنفيذيين ، تركز شركات الأدوية الكبرى بشكل أكبر على زيادة المبيعات أو شراء شركات أخرى لزيادة المبيعات. لا يعتبر البحث والتطوير الداخليين أولوية كبيرة حقًا ، وبغض النظر عن رأيهم ، إنها حقيقة. عادة يجب أن يكون 15-20 ٪ في بيان الدخل ،لأنه خلاف ذلك لن يستثمر المستثمرون في الشركة. لكن أداء هذه الأبحاث الداخلية والتنمية عادة ما يكون منخفضًا للغاية.

أعتقد أن شركات التكنولوجيا الحيوية الأصغر التي تستخدم الذكاء الاصطناعي والاكتشاف الافتراضي لاكتشاف المخدرات ستكون ناجحة للغاية. هناك بعض الحالات التي أعجبت بها في هذه الصناعة ، مثل Nimbus Therapeutics . لقد تمكنوا من إضفاء الطابع الافتراضي على العملية بأكملها للبحث عن المخدرات وتطويرها ، وتقديم بعض أصول المرحلة الثانية إلى السوق وترخيصها.

أعتقد أن الأشخاص الذين يفهمون العملية حقًا ويستطيعون إفتراضها سيكونون رابحين. حتى الآن ، أعرف العديد من الشركات التي تفعل ذلك ، لذلك تعمل بعض الشركات معنا. بعضها في وضع التخفي. أعتقد أنهم سيكونون فائزين في المستقبل.

عندما تتحدث عن اكتشاف المخدرات في غضون سنتين إلى ثلاث سنوات ، فهذا في الواقع وقت قصير للغاية. في العديد من المجالات الأخرى للتنمية البشرية ، إذا طلبت مني التخطيط لمدة خمس سنوات مقدمًا ، فلا أستطيع ذلك ، لأن كل شيء يتغير بسرعة كبيرة. في الصيدلية هذا ليس كذلك. نحن حقا بحاجة لتجربة والقيام بذلك بشكل صحيح.

بحوث طول العمر والتدخين

مايكل كريجسمان: أخبرنا لفترة وجيزة عن آخر دراسة أجريتها على طول العمر أو التدخين؟ أعلم أنه ليس لدينا وقت ، لكن سيكون من الرائع أن نعرف.

الكسندر زافورونكوف: بالطبع. لقد نشرنا للتو مقالة مضحكة جدا تبين أن التدخين يسرع الشيخوخة. أحد المجالات التي نركز عليها هي التنبؤ بالعمر باستخدام عدة أنواع من البيانات ، مثل الصور واختبارات الدم وبيانات النسخ والبيانات البروتينية وبيانات الميكروبيوم. نستخدم هذه البيانات للتنبؤ بدقة بسن الشخص ، ومن ثم سنرى ما هي التدخلات أو التغييرات في السلوك ، ونمط الحياة الذي يجعل الشخص يبدو أصغر أو أكبر.

لقد قمنا بهذا المشروع في كندا. لقد عملنا مع جامعة ليثبريدج وحكومة ألبرتا لمعالجة مجموعة كبيرة من المدخنين وغير المدخنين من مختلف الأعمار ، ولم ندرس سوى اختبارات دم مجهولة. بادئ ذي بدء ، لقد أنشأنا تنبئًا بحالة التدخين ، لذا يمكنني الآن أن أقول بثقة كافية سواء كنت تدخن أم لا بإجراء فحص دم ، لكننا أظهرنا أيضًا أن الأشخاص الذين يدخنون يبدون أكبر سناً من غير المدخنين بناءً على استخدام شبكة عصبية عميقة المدربين في تحليل الدم.

بعد أن نشرنا المقال ، أصبح الفيروسي تمامًا ، وتلقينا مراجعات إيجابية للغاية. على سبيل المثال ، تفكر ابنتي في الإقلاع عن التدخين فقط لأنها لا تريد أن تبدو قديمة. لا يهتم الناس بصحتهم حقًا ، لكنهم يهتمون بالفعل بكيفية ظهورهم. إذا كنت لا تريد أن تبدو قديمًا ، فاقلع عن التدخين.

مايكل كريسمان: جيد. نصيحة عظيمة. ألكساندر ، شكرًا جزيلاً على قضاء بعض الوقت في التحدث إلينا. أتمنى لك يومًا سعيدًا. اعتني بنفسك. وداعا وداعا.

الأصلي