Все о Цифровых системах - новости, статьи, обзоры, аналитика. Более 1000 компаний, товаров и услуг в каталоге.
Добавить компанию

Лауреат Нобелевской премии заявил, что 2025 год может стать годом, когда мы начнем принимать таблетки созданные ИИ

Рубрики: «Медицина», «Наука», «Искусственный интеллект (AI)», «Машинное обучение (ML)»

Лауреат Нобелевской премии заявил, что 2025 год может стать годом, когда мы начнем принимать таблетки созданные ИИ

Британский нейробиолог Демис Хассабис и его коллега Джон Джампер получили в 2024 году Нобелевскую премию по химии за работу «AlphaFold» — систему глубокого обучения, способную предсказывать структуры белков.

Выступая на заседании комиссии на Всемирном экономическом форуме в Давосе, Хассабис, который также руководит Isomorphic Labs, дочерней компанией DeepMind, занимающейся разработкой лекарственных препаратов, заявил, что, по его ожиданиям, «некоторые препараты, разработанные с помощью ИИ, будут проходить клинические испытания к концу года…». Компания Isomorphic Labs с 2021 года пытается ускорить разработку лекарств с помощью машинного обучения.

Фармацевтические компании заинтересованы в искусственном интеллекте, поскольку он может сэкономить им много времени и денег. Согласно недавней статье, опубликованной в журнале Nature Medicine, успешное создание нового препарата и его одобрение для использования может занять от 12 до 15 лет и стоить примерно 2,6 миллиарда долларов.

Многие препараты так никогда и не получают одобрения на использование, поскольку лишь менее десяти процентов клинических испытаний оказываются успешными. Все, что может снизить затраты, ускорить разработку или повысить шансы на успех, окажет существенное влияние на итоговые показатели фармацевтических компаний.

Исследователи полагают, что существует множество способов, с помощью которых модели машинного обучения могут улучшить и ускорить части процесса разработки лекарств. Хассабис считает, что благодаря машинному обучению возможна огромная экономия времени и затрат. Однако необходимо учитывать, что для обучения моделей ИИ требуются высококачественные данные, которые пока труднодоступны из-за правил конфиденциальности, политик обмена данными и затрат на их приобретение. При этом ученый считает, что эти проблемы можно преодолеть.

«Вы можете сгенерировать некоторые ключевые данные, чтобы заполнить пробелы, которых нет в общедоступных данных», — сказал Хассабис.

Это может быть сделано в сотрудничестве с клиническими исследовательскими организациями или с помощью синтетических данных, которые, по его словам, широко используются в AlphaFold2. Однако, при использовании синтетических данных могут быть проблемы.

«При использовании синтетических данных нужно быть очень осторожным, чтобы они действительно правильно представляли распределение, и чтобы вы не обучали модели на собственных ошибках», — сказал Хассабис.

Не смотря на весь энтузиазм, Хассабис не думает, что искусственный интеллект в ближайшее время заменит ученых.

«Настоящее изобретение пока невозможно с помощью искусственного интеллекта. Он не может выдвинуть новую гипотезу или новое предположение. Возможно, он может решить сложную задачу, скажем, в математике. Я думаю, что мы очень близки к большим прорывам в этой области. Я думаю, мы действительно увидим их в этом году, но это отличается от реального выдвижения теории или гипотезы, как это делают лучшие ученые-люди», — сказал он.

Хассабис не одинок в изучении применения машинного обучения для открытия лекарств. Осенью прошлого года корпорация Nvidia открыла исходный код своего семейства BioNeMo GPU - ускоренных фреймворков машинного обучения для разработки лекарств и молекулярного дизайна. Компания также предприняла шаги по переупаковке в микросервисы существующих моделей, таких как AlphaFold2 DeepMind и DiffDock 2.0 MIT, чтобы сделать их более удобными для использования.

Nvidia также сотрудничает с крупными фармацевтическими компаниями, включая датского фармацевтического гиганта Novo Nordisk, чтобы вывести в онлайн новые исследовательские системы. Датский суперкомпьютер Gefion, который применяет машинное обучение к биологическим наукам и разработке новых методов лечения, является одним из примеров таких усилий.

Источник: