Vještačka inteligencija može pomoći u bržem pravljenju antitijela
U nekada staroj fabrici keksa u Londonu, mikseri i industrijske peći zamijenjeni su robotskim rukama, inkubatorima i mašinama za sekvenciranje DNK. Umjesto keksa, danas tamo vještačka inteligencija pravi medicinska antitijela protiv bolesti. Džejms Fild i njegova kompanija LabGenius omogućili su ovo spremanjem revolucionarnog pristupa u dizajniranju novih antitijela, upravo zasnovanih na AI.
U prirodi, antitijela su odgovor organizma na bolesti i služe kao prva odbrana našeg imunog sistema u takvim slučajevima. To su niti proteina koji su posebno oblikovani da neutralizuju napadače organizma kao što su bakterije i virusi. Od kraja osamdesetih godina prošlog vijeka, farmaceutske kompanije prave sintetička antitijela za liječenje bolesti poput raka i smanjenja šanse da organizam odbaci presađene organe.
Međutim, kada ljudi prave ovakva antitijela to traje veoma dugo: dizajneri proteina moraju da prođu kroz milione potencijalnih kombinacija aminokisjelina kako bi pronašli one koje će biti „sklopljene“ na odgovarajući način. Nakon toga, naučnici moraju eksperimentalno da ih testiraju, podešavajući neke od varijabli kako bi poboljšali karakteristike liječenja, nadajući se da te izmjene neće pogoršati stanje ljudskog organizma na drugi način.
„Ukoliko želite da stvorite novo terapeutsko antitijelo, negdje u ovom beskonačnom prostoru potencijalnih molekula, nalazi se molekul koji želite da iskoristite“, kaže vlasnik kompanije LabGenius.
Fild je osnovao kompaniju 2012. godine, kada je završavao doktorat iz sintetičke biologije i video kako troškovi sekvenciranja DNK, robotike i računanja opadaju. Njegova kompanija koristi sve tri pomenute metode kako bi automatizovala proces otkrivanja antitijela.
Algoritam za mašinsko učenje dizajnira antitijela za ciljanje specifičnih bolesti, a zatim ih automatizovani robotski sistemi grade i uzgajaju u laboratoriji, pokreću testove i onda vraćaju te podatke u algoritam, sve uz ograničeni ljudski nadzor.
Naučnici počinju tako što identifikuju prostor za pretragu potencijalnih antitijela za borbu protiv određene bolesti, a za to su im potrebni proteini koji mogu da razlikuju zdrave i bolesne ćelije. Oni se potom lepe za oboljele ćelije i regrutuju imunološku ćeliju da završi posao. Međutim, ti proteini mogli bi da se nalaze bilo gdje u ogromnom prostoru za pretragu potencijalnih opcija. Fildova kompanija razvila je model mašinskog učenja koji može da istraži taj prostor mnogo brže i efikasnije od ljudi.
„Jedini zadatak koji dajete sistemu kao čovjek je: evo primjera zdrave ćelije i evo primjera bolesne ćelije“, kaže Fild. Potom, puštate sistem da istraži različiti dizajn antitijela koji može da razlikuje ove ćelije.
Kako vještačka inteligencija pravi antitela u odnosu na konvencionalni ljudski dizajn
AI model bira više od 700 početnih opcija iz prostora za pretragu od sto hiljada potencijalnih antitijela, a zatim ih automatski dizajnira, gradi i testira. To sve sa ciljem da pronađe potencijalno plodne oblasti za detaljnije istraživanje.
Testovi su skoro potpuno automatizovani, a uključuju niz napredne opreme koja je uključena u pripremu uzoraka i njihovo provođenje kroz različite faze procesa testiranja. Antitijela se uzgajaju na osnovu njihove genetske sekvence, a potom idu na biološke testove – uzorke oboljelog tkiva protiv kojih su dizajnirana da se bore. Ljudi nadgledaju ovaj automatizovani proces, ali njihov posao uglavnom se svodi na to da premještaju uzorke sa jedne mašine na drugu.
Eksperimentalni rezultati iz prvog seta od 700 molekula, vraćaju se modelu vještačke inteligencije i ona ih koristi za preciziranje razumijevanja prostora u kome istražuje. Drugim riječima, algoritam počinje da gradi sliku o tome kako različiti dizajn antitela mijenja efikasnost liječenje. Sa svakim sledećim krugom dizajna antitjela, AI model postaje sve bolji, pažljivo balansirajući eksploataciju potencijalno dobrog dizajna antitela sa istraživanjem novih oblasti.
Izazov sa konvencionalnim pravljenjem proteina je u tome što čim naučnici pronađu nešto što malo funkcioniše, imaju tendenciju da naprave veliki broj takvih molekula kako bi vidjeli da li mogu dodato da ga preciziraju. Ta dodatna „podešavanja“ mogu poboljšati jedno svojstvo, na primjer, koliko se lako antitijelo može napraviti u velikim razmjerama. Međutim, ona imaju katastrofalan efekat na mnoge druge atribute kao što su selektivnost, toksičnost i drugo. To znači da tradicionalni pristup može da znači da „lajete na pogrešno drvo“, odnosno da beskonačno pokušavate da optimizujete nešto što samo pomalo funkcioniše, dok ujedno na drugoj strani postoje možda mnogo bolje opcije, objašnjava Fild za Wired.
Uz to, naučnici su u takvom pristupu ograničeni brojem testova koje možete da pokrenete, odnosno kako Fild poredi, ograničeni ste „brojem udaraca na gol“. To znači da inženjeri ljudskih proteina teže da traže stvari za koje znaju da će funkcionisati, ali kao posledicu toga dobijamo akumulaciju dogme u medicini.
Tu ulogu preuzima LabGenius pristup u sintetičkim antitelima, koji donosi neočekivana rješenja o kojima ljudi možda nisu čak ni razmišljali, a ujedno ih pronalazi brže. Potrebno je samo šest nedelja od postavljanja problema do završetka prve serije istraživanja, a sve to je vođeno modelima mašinskog učenja, tvrdi vlasnik i izvršni direktor ove kompanije.
Fildova firma prikupila je 28 miliona dolara od sponzora i počinje da sarađuje sa farmaceutskim kućama, nudeći im svoje usluge kao što su konsultacije. Fild kaže da to menja savremenu medicinu i da bi se automatizovani pristup mogao primjeniti i na druge oblike otkrivanja ljekova, pretvarajući dugi proces otkrivanja lekova u nešto mnogo jednostavnije.
On još tvrdi i da proces njegove kompanija u stvari pruža bolju nego jer su tretmani antitelima koja su efikasnija ili imaju manje neželjenih efekata bolja od onih koje su dizajnirali ljudi. Argument za takvu tvrdnju, Fild temelji u objašnjenju da AI pronalazi molekule koje ljudi nikada ne bi pronašli koristeći konvencionalne metode.
Molekuli koje pronađe vještačka inteligencija su veoma različiti i često kontraintuintivni u odnosu na dizajn antitijela koje bi ljudi konvencionalnim metodama smislili. To bi, kaže ovaj naučnik, trebalo da omogući da dobijemo molekule sa boljim svojstvima, što se na kraju prevodi u bolje rezultate za pacijente.
(benchmark.rs)