Artificial Intelligence ing Penemuan Narkoba
tanggal: Juni 2020
Disiapake dening Anggota SIC: Lorraine V. Kalia, MD, PhD
penulis: Igor Jurisica, PhD, DSc; Alix Lacoste, PhD
editor: Un Jung Kang, MD
Kecerdasan Buatan (AI) nyakup teori, pangembangan, lan aplikasi sistem komputer sing bisa sinau, nambah kinerja, lan nindakake tugas sing ana gandhengane karo intelijen manungsa, kayata muter catur utawa Go, ngenali pola kompleks ing macem-macem data kalebu gambar lan urutan senar, ngenali wicara lan basa, lan ndhukung proses nggawe keputusan sing rumit. Pengambilan keputusan kaya manungsa iki dening komputer wis wiwit ngowahi cara kita diagnosa penyakit manungsa (contone, 1,2). Sing padha (utawa luwih) sing nyenengake yaiku potensial kanggo ngetrapake AI kanthi 'data gedhe' menyang bidang panemuan obat, utamane kanggo kelainan neurologis tanpa terapi sing ngowahi penyakit kayata penyakit Parkinson. Ing kene kita takon loro ahli ing bidang AI, siji saka akademisi (Dr. Jurisica) lan siji saka industri (Dr. Lacoste), kanggo ngrembug peran sing dideleng kanggo AI ing panemuan obat.
Kepiye AI bisa ditrapake kanggo panemuan obat?
Dr. Jurisica
Penting kanggo ngerteni manawa sukses sakabèhé aplikasi AI gumantung marang algoritma, data, lan proses - ngremehake salah siji saka telung komponen kasebut bakal ngasilake solusi sing paling ora optimal, lan paling ora bisa gagal. Penemuan obat nggunakake macem-macem data, screening robot, panemuan pola lengkap, optimasi proses, lan nggawe keputusan kanthi macem-macem, diatur dadi alur kerja lan saluran pipa. Ana macem-macem kesempatan kanggo macem-macem algoritma AI kanggo mbantu lan nambah akeh langkah kasebut.
Pipa panemuan obat diwiwiti kanthi ngenali target sing bisa ditindakake kanthi nganalisa set data multi-omic lan nemokake pola non-sepele sing migunani - biomarker lan target obat sing bisa ditindakake. Nalika jumlah aset suda lan biaya mundhak, pipa kasebut nyakup screening throughput dhuwur kanggo kemungkinan molekul, identifikasi lan optimasi timbal, tes praklinis, uji klinis, lan persetujuan FDA (Gambar 1). Analisis biologi komputasi AI lan integratif wis diterapake ing meh kabeh langkah kasebut - saka ngenali biomarker diagnostik / prognostik / prediktif lan target obat (bisa), kanthi otomatis screening lan ngoptimalake molekul, kanggo nuntun uji klinis lan pilihan pasien, lan malah mbantu nulis paten kanggo obat sing sukses. Pembelajaran mesin sing diawasi lan ora diawasi, pangolahan teks lan gambar, sintesis teks, lan otomatisasi robot kanthi karakterisasi gambar komputasi kalebu "kotak alat AI" sing sugih ing algoritma kanggo pipeline penemuan obat.
Tambah akeh, data biomedis sing luwih sugih lan analisis lan model sing luwih lengkap saya cedhak kanggo nggayuh presisi sing bener utawa obat sing dipersonalisasi. Kita duwe pangerten sing luwih apik babagan carane mutasi mengaruhi interaksi protein (3). Ing siji, informasi iki mbisakake kita kanggo prédhiksi carane interactome wis rewired ing patients individu, lan carane iki mengaruhi mekanisme tamba saka tumindak, lan kanthi mangkono sabar respon kanggo perawatan (4). Analisis gambar sing luwih apik mbisakake pemantauan non-invasif respon pasien marang perawatan lan kanthi mangkono nambah data uji klinis.

Figure 1. Tingkat attrition gedhe lan nambah biaya saben langkah minangka tantangan utama ing pipeline panemuan obat tradisional.
Dr. Lacoste
AI bisa nambah kawruh lan kemampuan para ahli kanggo nemokake wawasan babagan panemuan obat kanthi pirang-pirang cara. Salah sijine yaiku kanthi cerdas nyerna lan ngringkes akehe informasi ilmiah sing diterbitake. Teknik kayata pangolahan basa alam lan pertambangan teks bisa ngenali istilah biomedis lan hubungan antarane istilah kasebut, kayata gen sing ana ing penyakit, kanthi mindhai lan interpretasi literatur ilmiah. Informasi sing diekstrak saka teks bisa digabung karo informasi basis data kanggo ngidini para ilmuwan nggedhekake kawruh babagan obat, gen, utawa penyakit. Saliyane nambah pakar kanthi langsung, informasi sing dikumpulake bisa digunakake dening algoritma kanggo menehi saran babagan riset anyar. Contone, algoritma identifikasi target nggunakake informasi sing dikenal kanggo menehi saran target utawa jalur anyar kanggo penyakit sing dituju. Algoritma kasebut teka ing macem-macem formulir. Ilmuwan bisa nggunakake aturan ing jaringan kawruh kanggo ngenali gen sing bisa uga ana hubungane raket karo penyakit saka kapentingan liwat mekanisme umum karo gen liyane contone. Ing variasi liyane, para ahli bisa ngajari sistem sinau dhewe, biasane adhedhasar conto sing wis dingerteni, lan liwat metode pembelajaran mesin. AI uga tambah akeh ditrapake kanggo obat sing dipersonalisasi: ngenali klompok pasien sing bisa nanggapi perawatan khusus. Ing kasus iki, AI makarya kanthi cara sing padha kanthi nganalisa data sing akeh, asring genetik lan klinis, kanggo ngusulake klompok lan perawatan pasien. Pungkasan, AI ditrapake kanggo ngrancang senyawa sing luwih apik kanthi luwih efisien. AI bisa ngrancang senyawa adhedhasar optimasi multi-parametrik sing faktor ing sifat kimiawan ngupaya kanggo ngoptimalake kanggo molekul, contone, stabilitas lan afinitas naleni.
Apa kaluwihan lan watesan AI saiki ing panemuan obat?
Dr. Jurisica
AI nawakake sawetara kaluwihan pinunjul kanggo pipeline panemuan tamba tradisional; contone,, nemokake solusi sing kita bakal kantun digunakake, menehi sugih anotasi, lan nemokake solusi luwih cepet lan kanthi mangkono luwih murah dibandhingake strategi tradisional. Ana akeh conto akademik sing sukses nggunakake AI ing panemuan obat, lan atusan perusahaan AI kerja ing lapangan iki. Ing 2019 Deep Knowledge Analytics nyusun dhaptar 100 pimpinan akademik lan industri AI paling dhuwur ing panemuan obat lan perawatan kesehatan maju (5).
Kanggo nggedhekake kaluwihan saka algoritma AI, migunani kanggo nimbang alur kerja panemuan obat lengkap. AI mung ora bakal nggawa kita adoh - nalika kothak piranti AI kalebu pendekatan migunani ing machine learning, data mining, lan perwakilan kawruh, kita butuh data kualitas dhuwur, ontologi sugih lan anotasi, lan akeh pendekatan non-AI, kayata teori grafik (6). Sajrone pirang-pirang taun, akurasi lan kacepetan algoritma AI wis saya apik banget, asring amarga kemajuan ing platform komputasi. Salah sawijining conto kalebu aplikasi jaringan saraf convolutional sing sukses anyar nggunakake akselerasi GPU (7), sing kalebu analisis gambar uga prediksi bio-kegiatan ing panemuan obat adhedhasar struktur (8).
Sanajan kemajuan wis digawe, tantangan utama akeh aplikasi saiki kalebu sinau transfer winates (yaiku, pindhah saka siji domain aplikasi menyang liyane tanpa latihan maneh), lan kemampuan sistem (ing) kanggo nerangake solusi kasebut. AI sing bisa diterangake lagi dibahas, nanging akeh sistem sing digunakake minangka "kotak ireng" - menehi solusi, nanging ora nerangake "kenapa" lan "carane" tekan. Ana akeh conto sing nyoroti carane sawetara sistem nggawe keputusan sing cukup bener utawa menehi solusi sing cukup, nanging kanthi alasan sing salah. Kanthi ati-ati ngontrol karakteristik lan matesi bias data latihan, lan nimbang fitur apa sing diekstrak lan digunakake sajrone sinau iku paling penting. Utamane ing lapangan medis, kita butuh transparansi lengkap babagan pertimbangan lan kontrol lengkap babagan proses latihan lan validasi. Sistem uga kudu ngerti watesan, nyedhiyakake jawaban "Aku ora ngerti" tinimbang solusi sing ora bener. Mesthekake yen kita bisa ngira-ngira kapercayan ing prediksi tartamtu, tinimbang mung perkiraan adhedhasar kohort sing dibutuhake kanggo obat individu.
Nalika kita duwe volume gedhe saka data molekul ing patients karo penyakit tartamtu, kita isih duwe informasi banget winates ing patients piyambak. Ngapikake kacepetan lan akurasi ndeteksi biomarker non-invasif, ngukur mikrobioma lan owah-owahane, ngelingi irama sirkadian lan efeke ing perawatan, ngukur informasi babagan gaya urip, turu, lan liya-liyane saka piranti sing bisa dipakai bakal nyedhiyakake informasi tambahan sing perlu kanggo nambah pangerten kita kenapa lan carane pasien nanggapi terapi (9). Interaksi sistem kekebalan, aktivitas fisik, hormon, lan obat-obatan kudu dianggep bebarengan kanggo nyurung perawatan menyang tingkat personalisasi anyar. Ngerteni carane kita umur, carane proses iki gegayutan karo penyakit, lan carane kita bisa ngontrol wong-wong mau bakal nyedhiyani target anyar kanggo panemuan tamba (10). AI nyedhiyakake komponen penting kanggo kabeh macem-macem tugas kasebut.
Dr. Lacoste
AI asring diwatesi dening kualitas, jumlah, lan kasedhiyan data. Salah sawijining alat utama AI, pembelajaran mesin, saenipun mbutuhake akeh conto latihan, sing positif lan negatif kanggo nindakake kanthi apik. Nyatane, lapangan machine learning weruh kawentar gedhe lan dandan ing teknologi sawise release saka latihan set kasusun saka tangan digambar digit (MNIST). Algoritma machine learning sinau kanthi ngenali pola ing conto positif lan negatif. Nanging, peneliti biasane nggoleki obat-obatan sing ana sawetara utawa ora ana sing saiki efektif. Contone, nalika nggoleki obat-obatan kanggo L-dopa induced dyskinesia (LID), aku lan kanca-kancaku nggunakake dhaptar obat sing nuduhake pengurangan LID ing model kewan minangka proxy kanggo apa sing kita goleki: khasiat ing manungsa (11). Conto negatif malah luwih angel ditemokake amarga ora ana asil positif ing eksperimen ora ateges obyek sing dites negatif; bisa uga eksperimen kasebut ora bisa digunakake utawa ora cocog. Saliyane masalah karo algoritma latihan, kekurangan conto positif lan negatif nggawe angel kanggo ngevaluasi manawa algoritma prédhiksi data sing penting tanpa nindakake eksperimen sing dawa lan larang. Watesan data iki minangka salah sawijining sing diadhepi AI utamane ing lapangan "penemuan", luwih akeh tinimbang ing lapangan liyane sing biasane ditrapake AI, kayata sistem rekomendasi utawa pangenalan gambar.
Senadyan sawetara tantangan kasebut, kesempatan kasebut apik banget. Nalika lapangan saya mundhak, kita bakal ngembangake set data pathokan liyane sing bakal nggawe lompatan sing luwih gedhe. Kita wis ndeleng sawetara sukses awal ing ngendi AI bisa nyepetake panemuan ing identifikasi target utawa optimasi senyawa, lan sing luwih nggumunake, bisa menehi rekomendasi cara riset anyar sing ora bakal diprioritasake dening para ahli. Aku yakin yen AI ing panemuan obat mbutuhake ahli biomedis dadi pangembang teknologi supaya bisa sukses (12).
Summary:
Pangobatan farmakologis kanggo umume gangguan gerakan tetep dadi tantangan gedhe lan mula isih butuh terapi anyar. Kaya sing diterangake ing ndhuwur, aplikasi AI duweni potensi kanggo nyepetake pipa panemuan obat tradisional, kanggo mbukak target lan jalur obat sing bisa diobati, lan pungkasane bisa nggampangake pangiriman obat presisi sing bener. Conto karya awal nggunakake AI kanggo panemuan obat ing kelainan gerakan kalebu kampanye screening obat kanggo ngenali obat sing bisa nyuda dyskinesia sing disebabake levodopa (11) utawa nyandhet oligomer alpha-synuclein (13). Pakaryan nganti saiki ana ing tahap awal nanging samesthine AI bakal mbantu ngganti lanskap perawatan kanggo gangguan gerakan. Kaya ing kabeh bidang panemuan ilmiah, pepatah "sampah mlebu, sampah metu" bener kanggo riset sing didorong AI. Mangkono, kanggo mbantu nggawe AI minangka alat sing efektif kanggo nemokake obat kelainan gerakan, kita kudu terus ndhukung lan kolaborasi kanggo ngumpulake lan nuduhake data sing berkualitas tinggi.
Cathetan:
1) Esteva A et al. Klasifikasi tingkat dermatologis kanker kulit kanthi jaringan saraf jero. Alam 2017;542:115-118.
2) Hollon TC et al. Cedhak diagnosis tumor otak intraoperatif wektu nyata nggunakake histologi Raman sing dirangsang lan jaringan saraf jero. Nat Med 2020;26:52-58.
3) Kurator Konsorsium IMEx et al. Nangkep pengaruh variasi ing interaksi molekuler ing set data mutasi Konsorsium IMEx. Nat Commun 2019;10:10.
4) Mandilaras V dkk. Mutasi TP53 ing kanker ovarium serous kelas dhuwur lan dampak ing asil klinis: perbandingan saka urutan generasi sabanjure lan analisis bioinformatika. Int J Gynecol Cancer 2019 pii: ijgc-2018-000087.
5) www.ai-pharma.dka.global/ai-leaders/
6) Huang LC et al. Teori grafik lan metrik topologi jaringan bisa dadi biomarker potensial ing penyakit Parkinson. J Clin Neurosci 2019;68:235-242.
7) www.nvidia.com/en-us/deep-learning-ai/solutions/data-science/
8) www.atomwise.com/
9) Holzinger A et al. Napa data imaging mung ora cukup: integrasi basis AI saka pencitraan, omics, lan data klinis. Eur J Nucl Med Mol Imaging 2019;46:2722-2730.
10) www.bioagelabs.com
11) Johnston TH et al. Repurposing obatan kanggo nambani l-DOPA-mlebu dyskinesia ing penyakit Parkinson. Neuropharmacology 2019;147:11-27.
12) www.statnews.com/2019/11/01/ai-revolutionize-drug-discovery-experts-involved/
13) Maclagan LC et al. Ngenali obat kanthi potensial modifikasi penyakit ing penyakit Parkinson nggunakake intelijen buatan lan farmakoepidemiologi. Obat Farmakoepidemiol Saf. 2020 Mei 14: 10.1002/pds.5015





Kirim Komentar Panjenengan