癌症极为多样，其性质也各不相同。 寻找有效的癌症药物和治疗方法是现代医学最重要的任务之一。 世界各地的科学家都在寻找机会至少略微提高癌症患者的治疗效果。
由
Mail.Ru集团 ，
Insilico Medicine和
MIPT组成的专家团队
共同决定，尝试吸引
经过专门培训的神经网络来寻找抗癌药物。 问题在于，创建有效的抗癌药是一项非常艰巨的任务。 通常，此过程需要数年时间。 但是，如果您使用现代技术，则可以大大减少此类物质的搜索时间，并且同样可以减少工作成本。
现在人们已知的各种化合物的数量为数千万，这一事实使情况变得复杂。 这些化合物中只有一小部分用于药物。 在医学上，他们主要使用旧药物来创造新的，更有效的药物。 从质量上讲，新药相对较少。 问题在于，在数以百万计的化合物中，它很可能是有效对抗复杂疾病（相同癌症）的药物。
但是，如何确定某种物质适合用于医学呢？ 分析至少百分之几的已知化合物将需要一个人的时间。 毫无疑问，计算机技术可以提供帮助。 特别是自学习神经网络。
神经网络
是在所谓的对抗式自动编码器的体系结构的基础上
创建的 ，而对抗式自动编码器又是一种生成式对抗性网络。 为了训练神经网络，专家们使用了具有已知治疗特性的分子，表明每种物质的有效浓度。 首先，使用三个组件来训练神经网络。 这是编码器，解码器和鉴别器。 第一个成分与第二个成分一起压缩并恢复了有关原始分子的信息。 鉴别器使得有可能获得最适合随后回收的分子的简洁构想。 处理大量已知分子后，开始处理未知分子，并且关闭了前两个组件。
为了“提供”有关化学物质的神经网络信息，通常的公式还不够。 我们需要所谓的指纹，即包含有关分子的所有信息的信息指纹。 事实是，神经网络需要一个相同的描述长度来进行训练，在这种情况下，该目标是一种化学物质的分子。 如上所述，专家根据已知的化合物分子形成指纹。 信息被大量馈送到神经网络，直到网络本身学会了如何生成分子指纹。 俄罗斯科学家创造了7200万个分子的指纹，之后他们将神经网络生成的信息指纹与碱基进行了比较。
资料来源：corp.mail.ru在该项目中，有关适合用作药物的物质分子的分子质量的知识也已成为一个很好的帮助。 基于这些标准，比较了基准和印刷品。 “我们制作了一种生成型的神经网络，即能够创建经过训练的相似事物。 一位作者，MIPT研究生安德烈·卡岑诺夫（Andrei Kazennov）说，我们训练了一种网络模型，该模型能够创建具有指定属性的新指纹。
为了测试神经网络的效率，专家们使用了一种专利数据库，其中包含已知是有效的抗癌药物。 最初，对网络进行部分剂型培训，然后在第二部分中进行测试。 如果神经网络能够预测已经知道的物质形式，那么该神经网络的有效工作将得到认可，但是这种形式不在训练集中。 而且神经网络能够应付这个任务。 她指出的几十种物质（可能是抗癌药）上的确是这样的，并拥有专利。
“使用强化学习的对抗性生成网络是药理学的未来。 在本文中，我们展示了竞争性生成自动编码器GAN的首次使用，它可以根据某些参数创建抗肿瘤药物的新分子结构。 这项工作是在夏天完成的，自那时以来，我们在这个方向上取得了重大进展。 我真的希望不久我们将能够开发出用于治疗罕见疾病甚至用于治疗个别患者的药物。 研究的作者之一亚历山大·扎沃龙科夫（Alexander Zhavoronkov）说，人工智能已经在今年开始改变制药业。
继续寻找对癌细胞有效的药物。 越来越多的公司正在这样做。 例如，IBM创建的
Watson认知系统可以完成类似的工作。