Содержание
- Как естественные науки пришли к использованию ИИ
- Как большие данные помогают химикам
- Как ИИ помогает разрабатывать лекарства
Как естественные науки пришли к использованию искусственного интеллекта
В древности, еще до формирования теоретического познания, люди делали выводы об окружающих явлениях на основе экспериментов. Человечество не знало, по каким законам происходят те или иные события, поэтому все, что оставалось, ― наблюдать за явлениями и пробовать найти в происходящем какую-то взаимосвязь.
Постепенно, по мере накопления знаний, люди начали выявлять причинно-следственные связи, используя количественный подход. Но делать это каждый раз вручную долго, поэтому с развитием технологий ученые пришли к концепции моделирования, когда реальные системы можно описывать с помощью точных симуляций внутри компьютера ― если прописать все законы, по которым эта симуляция будет работать.
Но и у этого подхода есть проблемы. На деле любое природное явление оказывается сложнее, чем мы можем себе представить, поэтому исследователям всегда приходится делать определенные допущения и упрощения. Например, чтобы исследовать поведение обезьян, ученые не станут изучать всю группу млекопитающих сразу, вместо этого они опишут конкретные виды обезьян, проживающие на определенной территории. В этом заключается проблема современной науки — она описывает очень узкие и конкретные темы, которые не всегда возможно привести к более общим категориям.
Решить эти проблемы помогают большие данные. При их использовании сложность системы практически не имеет значения. И при этом неважно, что мы изучаем — молекулы, обезьян или архитектуру — модели будут более-менее одинаковыми для любых систем, так как это универсальный метод. Когда ученые находят частное решение какой-либо задачи с помощью данных, то эти знания могут быть использованы в самых разных областях.
Автор: VisualGeneration / photogenica.ru
Как большие данные помогают химикам
Современная наука стремится уходить от единичных экспериментов — сейчас ученые работают над удобными инструментами, которые позволили бы обобщить большое количество данных.
Представьте, что специалистам нужно найти какой-то промышленный катализатор. При этом им известно, что в его основе должен быть ион иридия, но неизвестно, к каким органическим молекулам его можно присоединить — вариантов сотни тысяч. Если классический экспериментатор будет проводить такой поиск вручную, это займет несколько лет, а работать придется целой группе исследователей. При этом данные, полученные у разных человек, могут отличаться.
Автоматизированные системы, основанные на больших данных, недороги, позволяют получить результат за недели, а не за годы и намного лучше воспроизводят полученные результаты. Например, благодаря таким системам уже удалось оценить больше тысячи катализаторов и найти оптимальные варианты за несколько недель работы. В свою очередь, проверив большое количество катализаторов, ученые собрали массив новых данных ― в том числе, например, о скорости химических реакций, которую важно учитывать при поиске катализатора. На основе этих данных исследователи смогли с высокой точностью определить, как структура катализатора определяет его скорость — а значит теперь смогут выдвигать полноценные теории относительно того, как эта система работает и намного быстрее разрабатывать новые катализаторы под другие типы задач — например, разработку новых диагностических систем.
Прочитайте также:
Помимо этого, сегодня в химии уже используются роботы, способные заменить человека в лаборатории на протяжении всего научного и производственного цикла. Роботы-химики уже могут почти круглосуточно взвешивать образцы и титровать растворы, синтезировать большинство природных малых молекул, а также, опираясь на результаты первых опытов, самостоятельно строить гипотезы и проверять их. Например, один из таких роботов за восемь дней произвел около 700 экспериментов и получил катализаторы в пятнадцать раз более эффективные, чем можно было получить опытным путем через перебор реагентов. Уникальность таких систем в том, что им не нужно задавать последовательность конкретных действий — они способны совершенствовать свои алгоритмы на основе полученного опыта по мере выполнения задачи.
Автор: VisualGeneration / photogenica.ru
Как искусственный интеллект помогает разрабатывать лекарства
Еще одно прикладное направление, где химики уже используют искусственный интеллект, ― разработка лекарств. Обычно такой процесс длится 10–15 лет, алгоритмы же позволяют ускорить работу в несколько раз.
При разработке препаратов традиционными методами обычно процесс выглядит так: химик-органик синтезирует какую-либо молекулу и «относит» ее биологу, который изучает ее и узнает, что она убивает определенные раковые клетки. На основании этой молекулы ученые производят большое количество близкородственных молекул, в которые вносят небольшие изменения, чтобы посмотреть, к чему те приведут. Затем тысячи полученных молекул-кандидатов проверяют на активность в отношении раковых клеток.
Препараты никогда не тестируют сразу на людях ― до этого специалистам всегда необходимо пройти несколько стадий клинических исследований. Иногда для испытаний лекарств используют образцы человеческих клеток из специальных клеточных банков. Но с ними не всё так просто: многие из таких клеток были получены около ста лет назад и теперь едва ли похожи на свой оригинал и вообще на клетки человека. Поэтому, даже если лекарство будет работать на образцах конкретных клеток, не значит, что оно будет работать на реальном человеке.
Прочитайте также:
Ученые придумали, как решать эту задачу по-другому. Например, химик Франческа Гризони с коллегами из Швейцарской высшей школы Цюриха (ETH Zurich) использовала для создания лекарственных молекул против рака искусственный интеллект. На основе уже существующих лекарств ИИ предложил более 20 лекарственных кандидатов, которые работают в 60 раз лучше, чем существующие — это считается отличным результатом. Все кандидаты-молекулы проверили экспериментально и с помощью моделирования. При этом алгоритм не обучали, как конкретно искать такие лекарства, а показывали только примеры этих лекарств: демонстрировали миллион молекул, о которых ничего не известно, и набор молекул, которые обладают доказанной эффективностью против раковых клеток: одна молекула эффективна на 50%, другая — на 20%, а задачей ИИ было найти молекулу с эффективностью 90–100%.
Автор: VisualGeneration / photogenica.ru
Похожий метод лег в основу создания платформы искусственного интеллекта Pharma.AI, которая помогает искать мишени заболеваний, генерировать данные о новых лекарственных молекулах и прогнозировать результаты клинических испытаний. Первое лекарство, которое удалось разработать с ее помощью, — это препарат против идиопатического легочного фиброза от Insilico. Сегодня лекарство завершает первую фазу клинических испытаний и готовится к выходу на рынок — препарат уже испытывают на людях. Это один из примеров того, как ученым удалось создать цифровое решение для всего цикла разработки лекарств: от синтеза препарата до тестирования на клетках, мышах и человеке.
Материал подготовлен по мотивам лекции Никиты Серова «Почему химики не выживут без Data Science и искусственного интеллекта», которая состоялась в феврале в библиотеке «Планетарий 1».
