Вы слышите все прорывы в области искусственного интеллекта (ИИ), будь то победа над пятью другими профессиональными игроками в покер в игре в Техасский холдем, или услуга самоуправляемого автомобильного такси Waymo, которая быстро запускается в производство, или даже поиск более быстрых способов обнаружения рака груди. .
Область искусственного интеллекта растет в геометрической прогрессии, и подобные открытия происходят часто. Но что не так часто по сравнению с ИИ, так это прогресс в здравоохранении. Недавно появилась новая область под названием фармакогеномика, которая посвящена изучению того, как гены влияют на реакцию человека на лекарства.
Подобно тому, как ИИ пересекается со многими областями, фармакогеномика - это пересечение «фармакологии (науки о лекарствах) и геномики (изучения генов и функций)». Это новое направление призвано решить некоторые проблемы, связанные с разработкой эффективных и безопасных индивидуальных лекарств.
Столько перекрестков !!
Но подождите ... мы также можем объединить ИИ с фармакогеномикой, чтобы ускорить процесс!
Недавно в Мичиганском университете была опубликована статья, в которой исследуется пересечение глубокого обучения (дисциплины в области искусственного интеллекта) с фармакогеномикой. В частности, выделяются три основных момента, в которых можно использовать ИИ:
1. Для стратификации пациентов (разделение данных о пациентах на подгруппы перед взятием образцов) из медицинских записей.
2. Прогнозирование реакции на лекарственные препараты и их взаимодействия с организмом человека.
3. Прогнозирование токсичности определенных химических веществ / лекарств.
Прежде чем мы начнем…
Давайте сделаем базовый обзор того, что такое ИИ (в частности, глубокое обучение), и разберемся с текущими ограничениями, которые сдерживают нас.
Глубокое обучение пытается воспроизвести то, как мозг изучает и распознает вещи, через нейронные сети. Подобно тому, как в мозгу есть нейроны, которые посылают сигналы другим нейронам, нейронная сеть имеет аналогичную архитектуру! Объединение в цепочку тысяч или миллионов нейронов позволяет нам воспроизвести этот процесс «обучения», и это можно сделать с помощью контролируемого (то есть мы даем ему примеры), неконтролируемого (он учится интерпретировать данные полностью самостоятельно) или полу- контролируемые методы.
В частности, глубокое обучение использовалось в секторе здравоохранения для улучшения моделирования / аналитики данных, прогнозирования редких заболеваний и использования его для открытия лекарств.
Ограничения ИИ в здравоохранении:
Поскольку данные общественного здравоохранения очень ограничены и часто наборы данных с открытым исходным кодом требуют большой очистки и предварительной обработки, для большинства людей очень сложно воспользоваться преимуществами машинного обучения. Типичный алгоритм машинного обучения потребует большого количества обучающих данных, чтобы сделать точный прогноз. Однако с ограниченными данными есть решения, такие как выбор функции.
В нашем конкретном случае с открытием лекарств этот процесс плохо оптимизирован. Поскольку наша цель - создать персонализированную медицину, для этого требуется тщательный экспериментальный дизайн.
Однако существуют современные алгоритмы машинного обучения, такие как сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), составные автокодировщики ( SAEs), а также подходы к обучению с подкреплением, которые могут помочь справиться со сложностью моделирования биологических систем.
Подводя итог, ограничения машинного обучения на данный момент таковы:
1. По-прежнему нуждаются в наблюдении и руководстве со стороны человека.
2. Необходимо тщательно выбирать правильные функции.
3. Требуется предварительная обработка / очистка данных.
4. Необходимо уменьшить размерность для достижения максимальной производительности.
Влияние фармакогеномики:
Поскольку фармакогеномика может быть специализированной для групп населения, конкретных сообществ или отдельных лиц, есть потенциал для воздействия на другие дисциплины, такие как геномика, фармакология, онкология, психиатрия, неврология и кардиология, и то, как мы используем это на практике. .
Фармакогеномика направлена на то, чтобы повлиять на оптимизацию применения лекарств на индивидуальном уровне с учетом конкретного генотипа. Он также направлен на сокращение времени и затрат на открытие и разработку лекарств (на этот процесс уходит 12 лет и более 2,5 миллиарда долларов!)
Что в настоящее время делается:
Стратификация пациентов:
Идея стратификации пациентов состоит в том, чтобы кластеризовать подгруппы данных в более крупном наборе данных, чтобы определить, какие данные пациента использовать. Цель состоит в том, чтобы сократить время, затрачиваемое на выбор правильных данных.
Этот процесс сложен, потому что он включает объединение биомедицинских, демографических и социометрических данных для классификации пациентов. Проблема заключается в количестве переменных, с которыми нам приходится иметь дело, что потребует большого количества анализа и извлечения функций (чтобы убедиться, что мы выбрали правильные данные, которые нам нужны).
Глубокое обучение может помочь в изучении полезного представления данных, которое может помочь в лечении или прогнозировании. Мы хотим иметь возможность разрабатывать модели, способные находить редкие и сложные шаблоны.
В настоящее время используются следующие решения: Deep Patient, который использует SAE, полу-контролируемую технику, которая может предсказать «окончательный диагноз, уровень риска пациента и исход (например, смертность, повторная госпитализация)».
(Исследователи также изучают другие полууправляемые методы, такие как генеративные состязательные сети (GAN), которые, возможно, могут помочь в понимании этих сложных данных.)
Открытие и разработка лекарств:
Подход, который использовался некоторое время, сосредоточен на процессе после того, как белки реплицируются (синтезируются) рибосомами (так называемые посттрансляционные модификации). Были сотни таких идентифицированных белков, которые позже стали более крупными и сложными. Некоторые из этих более крупных белков потенциально могут быть мишенями для лекарств.
Однако мы можем использовать подходы глубокого обучения, чтобы ускорить поиск подходящего белка-кандидата. Цель могла бы быть в состоянии протестировать соединение / лекарство, моделируя лекарство в виртуальной системе человека.
Самая большая проблема, сдерживающая эту область, - недостаточное финансирование биоинформатики.
Прогнозирование токсичности определенных химических веществ / лекарств:
Стремление к созданию новых методов проверки прогнозов токсичности привело к вызову Tox21 Data Challenge. Учитывая входные данные 12000 различных химических веществ и лекарств, модель глубокого обучения должна измерить результат 12 различных токсических эффектов.
Модель глубокого обучения DeepTox смогла достичь высочайшей производительности в этой задаче и продемонстрировать преимущества использования многозадачной сети по сравнению с одной задачей.
Такие модели, как DeepTox, использовали архитектуру, аналогичную семейству DeepAOT, которое состоит из таких методов, как регрессия, множественная классификация и многозадачные сети.
Что действительно интересно в DeepAOT и DeepTox, так это то, что они не ограничиваются только обнаружением оральной токсичности, но также токсичностью, индуцируемой в более сложных системах.
Будущее за искусственным интеллектом:
Прогнозируется, что в следующие 5–10 лет будет выпущено больше данных о пациентах, что позволит разработчикам обучать более точные и мощные модели.
Используя машинное обучение, фармацевтические компании могли бы сэкономить более 300 миллиардов долларов ежегодно. Также прогнозируется, что к 2024 году рынок глубокого обучения и открытия новых лекарств составит около 1,25 миллиарда долларов.
Однако мы должны учитывать возможность сделать доступными для общего доступа высококачественные помеченные наборы данных. Поступая таким образом, мы можем создать сообщество, в котором разработчики могут быстро настраивать гиперпараметры для моделей и применять переносное обучение для концептуализации новых данных.
TL;DR
- Ограничения приложений машинного обучения в фармакогеномике связаны с: легкостью переобучения, большим объемом анализа / выбора функций и дорогостоящими вычислениями.
- Использование ИИ в фармакогеномике может помочь выявить закономерности в данных о пациентах (в частности, в данных EHR).
- ИИ также может помочь стимулировать и тестировать кандидаты на лекарства в виртуальной симуляции.
- Его также можно использовать в токсикологии и определении прогноза токсичности определенных химических веществ / лекарств.
