Krebserkrankungen sind äußerst vielfältig und ihre Natur ist ebenfalls unterschiedlich. Die Suche nach wirksamen Medikamenten und Krebsbehandlungen ist eine der wichtigsten Aufgaben der modernen Medizin. Wissenschaftler auf der ganzen Welt suchen nach einer Möglichkeit, die Wirksamkeit der Behandlung von Krebspatienten zumindest geringfügig zu steigern.
Das kombinierte Team von Spezialisten der
Mail.Ru Group ,
Insilico Medicine und
MIPT beschloss, ein
speziell geschultes neuronales Netzwerk für die Suche nach Krebsmedikamenten zu gewinnen. Das Problem ist, dass die Schaffung eines wirksamen Krebsmedikaments eine sehr schwierige Aufgabe ist. Normalerweise dauert dieser Prozess Jahre. Wenn Sie jedoch moderne Technologie verwenden, wird die Suchzeit für solche Substanzen erheblich reduziert, und die Arbeitskosten werden ebenfalls reduziert.
Die Situation wird durch die Tatsache kompliziert, dass die Anzahl der verschiedenen chemischen Verbindungen, die dem Menschen bekannt sind, jetzt zig Millionen beträgt. Nur ein kleiner Teil dieser Verbindungen wird in Arzneimitteln verwendet. In der Medizin verwenden sie hauptsächlich alte Medikamente, um neue, effektivere zu schaffen. Qualitativ neue Medikamente sind relativ selten. Das Problem ist, dass sich unter all den Millionen chemischer Verbindungen herausstellen kann, dass es sich um eine Substanz handelt, die ein wirksames Medikament gegen eine komplexe Krankheit ist, denselben Krebs.
Aber wie kann festgestellt werden, dass eine Substanz für die Verwendung in der Medizin geeignet ist? Es wird eine Person Jahre dauern, um mindestens einige Prozent der bereits bekannten Verbindungen zu analysieren. Zweifellos kann Computertechnologie helfen. Insbesondere selbstlernende neuronale Netze.
Das neuronale Netzwerk
wurde auf der Grundlage der Architektur der sogenannten kontradiktorischen Auto-Encoder erstellt, die wiederum eine Art generative kontradiktorische Netzwerke darstellen. Um das neuronale Netzwerk zu trainieren, verwendeten Spezialisten Moleküle mit bereits bekannten heilenden Eigenschaften, die die effektive Konzentration jeder Substanz anzeigen. Zunächst wurde das neuronale Netzwerk mit drei Komponenten trainiert. Dies ist ein Codierer, Decodierer und Diskriminator. Die erste Komponente komprimierte und stellte zusammen mit der zweiten Informationen über das ursprüngliche Molekül wieder her. Der Diskriminator ermöglichte es, eine präzise Vorstellung von dem Molekül zu erhalten, das für die anschließende Gewinnung am besten geeignet ist. Nach der Arbeit mit einer großen Anzahl bekannter Moleküle begann die Arbeit mit Unbekannten, und die ersten beiden Komponenten wurden ausgeschaltet.
Um eine neuronale Netzwerkinformation über eine chemische Substanz zu „füttern“, reicht die übliche Formel nicht aus. Wir brauchen den sogenannten Fingerabdruck, einen Informationsfingerabdruck, der alle Informationen über das Molekül enthält. Tatsache ist, dass ein neuronales Netzwerk die gleiche Beschreibungslänge für ein Objekt benötigt, um trainiert zu werden, in diesem Fall ein Molekül einer chemischen Verbindung. Spezialisten bildeten Fingerabdrücke basierend auf bereits bekannten Molekülen chemischer Verbindungen, wie oben erwähnt. Informationen wurden viele Male in das neuronale Netzwerk eingespeist, bis das Netzwerk selbst lernte, Fingerabdrücke von Molekülen zu erzeugen. Russische Wissenschaftler haben Fingerabdrücke für 72 Millionen Moleküle erstellt und anschließend die vom neuronalen Netzwerk erzeugten Informationsfingerabdrücke mit der Basis verglichen.
Quelle: corp.mail.ruIn diesem Projekt ist auch das Wissen über die ungefähren Eigenschaften der Moleküle von Substanzen, die als Medizin geeignet sind, eine gute Hilfe geworden. Basierend auf diesen Kriterien wurden die Basis und die Drucke verglichen. „Wir haben ein neuronales Netzwerk eines generativen Typs erstellt, das in der Lage ist, ähnliche Dinge zu erstellen, auf denen es trainiert wurde. Wir haben ein Netzwerkmodell trainiert, mit dem neue Fingerabdrücke mit bestimmten Eigenschaften erstellt werden können “, sagt einer der Autoren, der MIPT-Doktorand Andrei Kazennov.
Um die Effizienz des neuronalen Netzwerks zu testen, verwendeten Experten eine Patentdatenbank mit Substanzen, von denen bereits bekannt ist, dass sie wirksame Krebsmedikamente sind. Zunächst wurde das Netzwerk in Teilen der Darreichungsformen geschult und dann im zweiten Teil getestet. Eine effektive Arbeit des neuronalen Netzwerks würde erkannt, wenn es die bereits bekannten Formen von Substanzen vorhersagen könnte, die jedoch nicht im Trainingssatz enthalten waren. Und das neuronale Netz konnte diese Aufgabe bewältigen. Auf mehreren Dutzend der von ihr angegebenen Substanzen, bei denen es sich möglicherweise um Krebsmedikamente handelt, sind viele tatsächlich solche und haben Patente.
„Generative kontradiktorische Netzwerke mit verstärktem Lernen sind die Zukunft der Pharmakologie. In diesem Artikel haben wir die erste Verwendung von kompetitiven generativen Auto-Encodern (GANs) gezeigt, um neue molekulare Strukturen von Antitumor-Medikamenten nach bestimmten Parametern zu erzeugen. Diese Arbeit wurde im Sommer durchgeführt, und seitdem haben wir bedeutende Fortschritte in dieser Richtung gemacht. Ich hoffe sehr, dass wir bald individuelle Medikamente zur Behandlung seltener Krankheiten und sogar zur Behandlung einzelner Patienten entwickeln können. Bereits in diesem Jahr wird künstliche Intelligenz die Pharmaindustrie verändern “, sagt einer der Autoren der Studie, Alexander Zhavoronkov.
Die Suche nach Medikamenten, die eine wirksame Wirkung auf Krebszellen haben können, geht weiter. Und immer mehr Unternehmen tun dies. Das von IBM erstellte
kognitive Watson-System erledigt beispielsweise eine ähnliche Aufgabe.