В недавнем сообщении в блоге medium.com » Дафна Коллер - исследователь искусственного интеллекта на факультете компьютерных наук Стэнфордского университета, а всего несколько месяцев назад - главный компьютерный директор в Calico Labs от Alphabet - объявила о своем стремлении к открытию лекарств на основе машинного обучения.
Новое мероприятие, получившее название insitro (сочетание слов «in silico» и «in vitro»), призвано сдержать рост затрат на разработку новых лекарств и, по словам Коллера, уже получило финансовую поддержку от ARCH Venture Partners, Foresite Capital, a16z , и Third Rock Ventures.
«Мы в insitro надеемся, что большие данные и машинное обучение в применении к критически важной потребности в открытии лекарств могут помочь сделать процесс быстрее, дешевле и (что наиболее важно) более успешным», - написал Коллер в своем сообщении. «Для этого мы планируем использовать как передовые методы [машинного обучения (ML)], так и глубокие инновации, которые произошли в науках о жизни, которые позволяют создавать большие высококачественные наборы данных, которые могут преобразовать возможности машинного обучения в этом пространстве ».
Коллер, которая также известна как один из соучредителей компании Coursera, занимающейся образовательными технологиями, написала в своем посте, что insitro надеется предложить новый путь исследований для фармацевтической промышленности, которая уже исчерпала «низко висящий плод» лекарств. По ее словам, по мере того, как исследования лекарств начинают ориентироваться на более специализированные методы лечения, меньшие размеры рынка и более неоднозначные группы пациентов начинают наносить все больший и больший урон отрасли.
«Решение этой проблемы не может заключаться в том, чтобы мы продолжали платить огромные суммы на разработку новых лекарств, большинство из которых терпят неудачу, а затем перекладывать эти расходы на наших пациентов», - написал Коллер. «Это не является ни экономически устойчивым для общества, ни этичным, поскольку цены на многие новые лекарства недосягаемы для многих людей, которые в них нуждаются. Мы должны найти другой подход к разработке лекарств ».
Коллер отметила, что, хотя технологии машинного обучения неуклонно развиваются и появляются новые приложения как в сфере здравоохранения, так и за ее пределами, именно растущий доступ к большим высококачественным наборам данных сделает стратегию ее команды по поиску лекарств успешной.
«Мы планируем собрать и использовать ряд очень больших наборов данных для обучения моделей машинного обучения, которые помогут решить ключевые проблемы в процессе открытия и разработки лекарств», - написала она. «Чтобы включить машинное обучение, мы будем использовать уже собранные высококачественные данные, но мы также будем вкладывать значительные средства в создание наших собственных наборов данных с использованием высокопроизводительных экспериментальных подходов, наборов данных, которые специально разработаны с учетом машинного обучения из самое начало. Затем разрабатываемые модели машинного обучения помогут направлять последующие эксперименты, обеспечивая тесную замкнутую интеграцию методов in silico и in vitro ».
Коллер использовала сообщение в блоге, чтобы призвать исследователей, инженеров и специалистов по обработке данных, и подчеркнула, что ее группа будет уделять приоритетное внимание полному сотрудничеству между тремя лагерями. Но даже с ее идеальной рабочей силой и поддержкой биотехнологических и технических венчурных капиталистов гуру искусственного интеллекта сказала, что она не в полной мере считает внедрение ML в рамках этого предприятия как волшебную пулю для открытия новых лекарств.
«Сегодня вокруг машинного обучения много шумихи с гиперболическими обещаниями, что оно волшебным образом решит все проблемы человечества (и ужасными предупреждениями о том, что это приведет к уничтожению человечества). Мы в insitro не ожидаем, что машинное обучение станет решением всех проблем в разработке лекарств или волшебной пулей, которая поможет найти лечение от каждой болезни. Однако мы действительно считаем, что настало время переосмыслить процесс разработки лекарств, используя другой и более современный инструментарий, в надежде, что новая парадигма поможет нам вылечить больше людей, быстрее и с гораздо меньшими затратами », - заключила она. .
Источник mobihealthnews.com
