Dëshmia më e habitshme se inteligjenca artificiale mund të sigurojë zbulime të thella shkencore erdhën me zbulimin e një programi të quajtur ‘AlphaFold’ nga ‘Google DeepMind’.
Në vitin 2016, studiuesit në kompani kishin shënuar një sukses të madh me ‘AlphaGo’, një sistem AI (Artificial Intelligence) i cili, pasi i mësoi vetes rregullat e Go, vijoi të mundte lojtarët njerëz më të vlerësuar të lojës, ndonjëherë duke përdorur taktika që askush nuk i kishte parashikuar ndonjëherë.
Kjo e nxiti kompaninë të ndërtonte një sistem që do përpunonte një sërë rregullash shumë më të ndërlikuara: ato përmes të cilave sekuenca e aminoacideve që përcakton një proteinë të veçantë çon në formën në të cilën paloset sekuenca kur ajo proteinë prodhohet. AlphaFold i gjeti ato rregulla dhe i zbatoi me sukses të jashtëzakonshëm.
Arritja ishte e jashtëzakonshme dhe e dobishme. E mahnitshme sepse shumë njerëz të zgjuar ishin përpjekur oër shumë kohë për të krijuar modele kompjuterike të proceseve që palosin zinxhirët e aminoacideve në proteina për dekada. ‘AlphaFold’ bëri përpjekjet më të mira mënyrë po aq të plotë sa sistemi Go që e frymëzoi i mposht lojtarët njerëz.
E dobishme sepse forma e një proteine ka një rëndësi të madhe praktike: ajo përcakton se çfarë bën proteina dhe çfarë mund t’i bëjnë molekulat e tjera. Të gjitha proceset themelore të jetës varen nga ajo që bëjnë proteinat specifike. Gjetja e molekulave që u bëjnë gjëra të dëshirueshme proteinave (nganjëherë bllokojnë veprimin e tyre, ndonjëherë duke e inkurajuar atë) është qëllimi i shumicës dërrmuese të programeve të zhvillimit të barnave në botë.
Për shkak të rëndësisë së strukturës tredimensionale të proteinave, ekziston një nëndisiplinë e tërë e përkushtuar kryesisht ndaj saj: biologjia strukturore. Ajo përdor të gjitha llojet e teknologjisë për të parë proteinat përmes teknikave të rezonancës bërthamore-magnetike ose duke i kristalizuar ato (gjë që mund të jetë shumë e vështirë) dhe duke i shpërthyer ato me rreze x.
Përpara ‘AlphaFold’-it, mbi gjysmë shekulli i biologjisë strukturore kishte prodhuar disa qindra mijë struktura proteinike të besueshme nëpërmjet këtyre mjeteve. ‘AlphaFold’ dhe rivalët e tij (më së shumti një program i bërë nga Meta) tani kanë ofruar parashikime të hollësishme të formave.
Si mënyrë që i la shkencëtarët të hutuar, është një veprim i vështirë për t’u ndjekur. Por nëse produktet e ‘AlphaFold’ kanë mahnitur botën, bazat se si e bëri janë mjaft tipike për ato lloj gjërash që mësimi i thellë dhe ai gjenerues mund të ofrojnë për biologjinë.
I stërvitur me mbi dy lloje të ndryshme të dhënash (sekuencat aminoacide dhe përshkrimet tredimensionale të formave në të cilat palosen) AlphaFold gjeti modele që e lejuan të përdorte llojin e parë të të dhënave për të parashikuar të dytin. Parashikimet nuk janë të gjitha perfekte.
Chris Gibson, shefi i ‘Recursion Pharmaceuticals’, një startup intensiv i zbulimit të barnave me bazë në Utah, SHBA, thotë se kompania e tij i trajton rezultatet e ‘AlphaFold’ si hipoteza për t’u testuar dhe vërtetuar eksperimentalisht. Dr. Gibson thotë se modeli po përmirësohet shpejt.
Ëndrrat e kristalta
Kjo është ajo që një gamë e tërë lëvizjesh po bëjnë tani në botën e biomjekësisë dhe, veçanërisht, në kërkimin e barnave: duke bërë sugjerime për mënyrën se si është bota që shkencëtarët mund ose nuk do arrinin vetë.
Të stërvitur për të gjetur modele që shtrihen nëpër trupa të mëdhenj të dhënash të ndryshme, sistemet AI mund të zbulojnë marrëdhënie brenda atyre të dhënave që kanë implikime për biologjinë dhe sëmundjet njerëzore. Të ngarkuar me të dhëna të reja, ata mund të përdorin ato modele të implikimit për të prodhuar hipoteza të reja të cilat më pas mund të testohen.
Aftësia e AI për të gjeneruar ide të reja u ofron përdoruesve njohuri që mund të ndihmojnë në identifikimin e objektivave të barnave dhe për të parashikuar sjelljen e përbërjeve të reja, ndonjëherë të papërfytyruara më parë, që mund të veprojnë si barna. Gjithashtu përdoret për të gjetur aplikime të reja për barnat e vjetra, për të parashikuar efektet anësore të barnave të reja dhe për të gjetur mënyra për t’u treguar pacientëve që një bar mund të ndihmojë nga dëme të ndryshme.
Ambicie të tilla llogaritëse nuk janë të reja. Informatika në shkallë të gjerë, mësimi i makinerive dhe dizajni i ilaçeve po bashkoheshin që në vitet 2000, thotë Vijay Pande, i cili ishte studiues në Universitetin e Stanfordit në atë kohë. Kjo ishte pjesërisht një përgjigje ndaj gjetjeve të reja në lëmin e biologjisë: tani ka më shumë se një milion dokumente kërkimore biomjekësore të botuara çdo vit.
Një nga mënyrat e hershme në të cilat ai u pa se mund të ndihmonte ishte përmes “grafikëve të njohurive”, të cilat lejuan që i gjithë ai informacion të lexohej nga makineritë dhe të shqyrtohej për të kuptuar, të themi, cilat proteina në gjak mund të përdoreshin si bioshenjues që zbulonin praninë osë ashpërsinë e një sëmundjeje. Në vitin 2020, ‘Benevolentai’, me qendër në Londër, përdori këtë metodë për të parë potencialin që baricitinib, i shitur nga Eli Lilly si një trajtim për artritin reumatoid, kishte për trajtimin e Covid-19.
Këtë janar, hulumtimi i publikuar në Science përshkruan se si algoritmet e një lloji të ndryshëm kishin përshpejtuar përpjekjet për të gjetur bioshenjues të Covid-it në gjak. Qasjet statistikore për zbulimin e bioshenjuesve të tillë mund të jenë sfiduese duke pasur parasysh kompleksitetin e të dhënave.
AI ofron një mënyrë për të zbutur këtë gjë dhe për të çuar përpara procesin e zbulimit në sëmundje si të reja, si Covid-i i gjatë, ashtu edhe sëmundjet më të vështira për t’u diagnostikuar, si fazat e hershme të Alzheimerit.
Koha e duhur
Por pavarësisht këtij progresi në të kaluarën, Dr Pande, tani në ‘Andreessen Horoëitz’, një firmë e kapitalit sipërmarrës që është me peshë në AI, mendon se përparimet më të fundit shënojnë një ndryshim të madh. Kërkimet biomjekësore, veçanërisht në bioteknologji dhe farmaceutikë, po e rrisnin në mënyrë të qëndrueshme varësinë e saj në automatizimin dhe inxhinierinë përpara se modelet e reja të dilnin në vetvete; tani kjo ka ndodhur, të dy duket se përforcojnë njëri-tjetrin.
Modelet e reja të themelimit nuk ofrojnë vetëm një mënyrë për t’u përballur me sasi të mëdha të të dhënave; i kërkojnë ato. Të dhënat e besueshme që laboratorët shumë të automatizuar mund të prodhojnë me bollëk janë vetëm një lloj gjëje për modelet e themeleve të trajnimit. Dhe studiuesit biomjekësorë kanë nevojë për të gjithë ndihmën që mund të marrin për të kuptuar rrjedhat e të dhënave që tani janë në gjendje të gjenerojnë.
Biologjia mund të konsiderohet si “një sistem përpunimi i informacionit, megjithëse jashtëzakonisht kompleks”.
Duke gjetur modele që njerëzit nuk kishin menduar të kërkonin, ose nuk kishin shpresë për t’i gjetur pa ndihmë, ai u ofron studiuesve mënyra të reja për të eksploruar dhe kuptuar misteret e jetës. Disa flasin për zotërimin e “gjuhës së biologjisë”, të mësuarit për të kuptuar atë që evolucioni ka krijuar drejtpërdrejt nga të dhënat në të njëjtën mënyrë që, të trajnuar në shumë gjuhë reale, ata mund të gjenerojnë rrjedhshëm fjali kuptimplote të pashqiptuara kurrë më parë.
Demis Hassabis, shefi i ‘DeepMind’, thekson se vetë biologjia mund të konsiderohet si “një sistem përpunimi i informacionit, megjithëse një sistem jashtëzakonisht kompleks dhe dinamik”. Në një postim në Medium, Serafim Batzoglou, shefi i të dhënave në ‘Seer Bio’, një kompani e Silicon Valley që është e specializuar në këqyrjen se si sillen proteinat, parashikon shfaqjen e modeleve të hapura që do integrojnë të dhënat që shtrihen që nga sekuencat e gjenomit në historitë mjekësore. Këto, argumenton ai, do përshpejtojnë shumë inovacionin dhe do avancojnë mjekësinë precize.
Ashtu si shumë nga entuziastët e AI, Dr. Pande flet për një “revolucion industrial…duke ndryshuar gjithçka”. Por të kuptuarit e tij për kohën e kaluar se çon atë të kujdeset se arritjet që justifikojnë atë ndryshim afatgjatë të entuziazmit nuk do vijnë brenda natës: “Ne jemi në një periudhë kalimtare ku njerëzit mund të shohin ndryshimin, por ka ende punë për të bërë.”
Të gjitha të dhënat nga kudo në të njëjtën kohë
Shumë firma farmaceutike kanë bërë investime të konsiderueshme në zhvillimin e modeleve në vitet e fundit. Krahas kësaj ka qenë një rritje në startup-et të përqendruara tek AI, si ‘Recursion’, ‘Genesis Therapeutics’, me bazë në Silicon Valley, ‘Insilico’, me bazë në Hong Kong dhe Nju Jork dhe ‘Relay Therapeutics’, në Kembrixh, Massachusetts.
Daphne Koller, shefe e ‘Insitro’, një kompani bioteknologjike në San Francisko, thotë se një shenjë e kohës është se ajo nuk ka më nevojë të shpjegojë modele të mëdha gjuhësore dhe të mësuarit e vetëmbikëqyrur. Dhe Nvidia – e cila bën njësitë e përpunimit grafik që janë thelbësore për fuqizimin e modeleve të themeleve – ka treguar një interes të madh.
Vitin e kaluar, ajo ka investuar ose ka bërë marrëveshje partneriteti me të paktën gjashtë firma të ndryshme bioteknike të përqendruara te AI, përfshirë ‘Schrodinger’, një tjetër firmë me bazë në Nju Jork, ‘Genesis’, ‘Recursion’ dhe ‘Genentech’, një degë e pavarur e ‘Roche’, një kompani e madhe farmaceutike zvicerane.
Modelet e zbulimit të barnave me të cilat punojnë shumë kompani mund të mësojnë nga një shumëllojshmëri e gjerë të dhënash biologjike, duke përfshirë sekuencat e gjeneve, fotografitë e qelizave dhe indeve, strukturat e proteinave përkatëse, bioshenjuesit në gjak, proteinat që prodhohen në qeliza specifike dhe të dhënat klinike për rrjedhën e sëmundjes dhe efektin e trajtimeve te pacientët. Pasi të trajnohet, kanali mund të akordohet mirë me të dhëna të etiketuara për të përmirësuar aftësitë e tyre.
Përdorimi i të dhënave të pacientit është veçanërisht interesant. Për arsye mjaft të dukshme, shpesh nuk është e mundur të zbulohet funksionimi i saktë i një sëmundjeje te njerëzit përmes eksperimentit. Pra, zhvillimi i barnave zakonisht mbështetet shumë në modelet e kafshëve, edhe pse ato mund të jenë të rreme. Ato që janë trajnuar dhe përshtatur më mirë me biologjinë njerëzore mund të ndihmojnë në shmangien e disa rrugëve qorre që pengojnë zhvillimin e barit.
‘Insitro’, për shembull, trajnon modelet e saj mbi patologjitë, sekuencat e gjeneve, të dhënat e MRI dhe proteinat e gjakut. Një nga modelet e tij është në gjendje të lidhë ndryshimet në pamjen e qelizave nën mikroskop me mutacionet themelore në gjenom me rezultatet klinike në sëmundje të ndryshme. Kompania shpreson të përdorë këto dhe teknika të ngjashme për të gjetur mënyra për të identifikuar nëngrupet e pacientëve me kancer që do kenë sukses veçanërisht në kurse specifike të trajtimit.
‘Recursion’ thotë se mund të përdorë robotikë laboratorikë për të kryer 2.2 milionë eksperimente çdo javë.
Ndonjëherë të zbulosh se cilit aspekt të të dhënave po i përgjigjet një AI është i dobishëm në vetvete. Në vitin 2019, Oëkin, një “AI biotech” me bazë në Paris, publikoi hollësi të një rrjeti të thellë nervor të trajnuar për të parashikuar mbijetesën në pacientët me mesothelioma malinje, një kancer i indit që rrethon mushkëritë, në bazë të mostrave të indeve të këqyrura.
AI zbuloi se qelizat më të përshtatshme për parashikimet nuk ishin vetë qelizat e kancerit, por qelizat jo kanceroze aty pranë. Ekipi Oëkin solli të dhëna shtesë qelizore dhe molekulare në foto dhe zbuloi një objektiv të ri të barit. Në gusht të vitit të kaluar, një ekip shkencëtarësh nga Universiteti i Indianës, Bloomington trajnuan një model mbi të dhënat se si qelizat e kancerit reagojnë ndaj barnave (përfshirë informacionin gjenetik) dhe strukturave kimike të barnave, duke e lejuar atë të parashikojë se sa efektiv do ishte një ilaç në trajtimin e një kanceri specifik.
Shumë prej kompanive që përdorin AI kanë nevojë për vëllime të mëdha të dhënash me cilësi të lartë, saqë po i gjenerojnë ato vetë si pjesë e programeve të tyre të zhvillimit të barnave në vend që të presin që ato të publikohen diku tjetër. Një variant i kësaj teme vjen nga një njësi e re e shkencave kompjuterike në ‘Genentech’, e cila përdor një qasje “laboratori” për të trajnuar AI-në e saj.
Parashikimet e sistemit testohen në një shkallë të gjerë me anë të eksperimenteve të kryera me sisteme të automatizuara laboratorike. Rezultatet e këtyre eksperimenteve përdoren më pas për të ritrajnuar ai dhe për të rritur saktësinë e tij. ‘Recursion’, i cili përdor një strategji të ngjashme, thotë se mund të përdorë robotikë të automatizuar laboratorikë për të kryer 2.2 milionë eksperimente çdo javë.
Çështja është ndryshimi
Ndërsa firmat farmaceutike bëhen gjithnjë e më të uritura për të dhëna, shqetësimet për privatësinë e të dhënave të pacientëve po bëhen më të theksuara. Një mënyrë për t’u marrë me problemin, e përdorur nga Oëkin ndër të tjera, është “të mësuarit e federuar”, në të cilin të dhënat e trajnimit që i nevojiten për të ndërtuar një atlas të llojeve të qelizave kancerogjene nuk largohen kurrë nga spitali ku ruhen mostrat e indeve të kërkuara: çfarë të dhënash mund të ofrojë në drejtim të trajnimit është hequr. Vetë të dhënat mbeten.
Implikimet e AI shkojnë përtej të kuptuarit të sëmundjes dhe më tej në zbulimin se si të ndërhyhet. Modelet gjeneruese të AI, të tilla si ‘Proteinsgm’ nga Universiteti i Torontos, tani janë mjete të fuqishme në dizajnimin e proteinave, sepse ato nuk janë thjesht në gjendje të përshkruajnë proteinat ekzistuese, por edhe të dizajnojnë të reja – me karakteristikat e dëshiruara – që aktualisht nuk ekzistojnë në natyrë, por që janë mënyra të mundshme për të mishëruar një funksion të dëshiruar. Sisteme të tjera u lejojnë kimistëve të dizajnojnë molekula të vogla që mund të jenë të dobishme si ilaçe pasi ato ndërveprojnë me një objektiv në një mënyrë të dëshiruar.
Në çdo fazë, hipotezat e AI duhet të kontrollohen. Megjithatë, një qasje e tillë duket se përshpejton zbulimin. Një analizë e fundit e barnave nga firmat “ai-intensive” e kryer nga BCG, një grup këshillues, zbuloi se nga tetë barna për të cilat kishte informacion, pesë kishin arritur në provat klinike në më pak se koha e zakonshme.
Punime të tjera sugjerojnë se ai mund të sjellë kursime në kohë dhe kosto prej 25% deri në 50% në fazën paraklinike të zhvillimit të barnave, e cila mund të zgjasë katër deri në shtatë vjet. Duke pasur parasysh koston në kohë dhe para të të gjithë procesit, që mund të jetë disa miliarda dollarë për një ilaç të vetëm, përmirësimet mund të shndërrojnë produktivitetin e industrisë. Por do duhet kohë për ta ditur me siguri.
‘Insilico Medicine’ është një nga kompanitë që shpreson që kjo të ndryshojë. Ai përdor një sërë modelesh në procesin e tij të zhvillimit të barnave. Njëra identifikon proteinat që mund të synohen të ndikojnë në një sëmundje. Një tjetër mund të projektojë përzierje të reja të mundshme të ilaçit. Duke përdorur këtë qasje, ai identifikoi një kandidat për ilaç që mund të jetë i dobishëm kundër fibrozës pulmonare në më pak se 18 muaj dhe me një kosto prej 3 milionë dollarësh. Ilaçi filloi së fundmi provat e Fazës 2.
Shumë firma farmaceutike në Kinë po bëjnë marrëveshje me kompani të drejtuara nga AI si ‘Insilico’ me shpresën për të parë më shumë të njëjtën gjë. Disa shpresojnë se marrëveshje të tilla mund të jenë në gjendje të nxisin bizneset e zhvillimit relativisht të ngadaltë të Kinës për zhvillimin e drogës.
Organizatat kërkimore të Kinës tashmë po ndjejnë përfitimet e interesit të nxitur nga AI për molekula të reja nga e gjithë bota. Investimi në zbulimin e barit me ndihmën e AI në Kinë ishte më shumë se 1.26 miliardë dollarë në 2021.
Bota ka parë një sërë barnash dhe trajtimesh të reja të reja në dekadën e fundit: barna që synojnë glp-1 që po shndërrojnë trajtimin e diabetit dhe obezitetit; terapitë car-t që aktivizojnë sistemin imunitar kundër kancerit; aplikimet e para klinike të redaktimit të gjenomit.
Por periudha e gjatë e zhvillimit të barnave, nga dallimi i proceseve biologjike që kanë rëndësi në identifikimin e objektivave të barnave, deri te zhvillimi i molekulave candidate e deri te vendosja e tyre përmes testeve paraklinike dhe më pas provave klinike, mbetet përgjithësisht punë e ngadaltë dhe zhgënjyese.
Përafërsisht 86% e të gjithë kandidatëve për barna të zhvilluara ndërmjet viteve 2000 dhe 2015 nuk arritën të përmbushin pikat kryesore përfundimtare në provat klinike. Vitet e ardhshme do tregojnë përfundimisht nëse AI është në gjendje ta ndryshojë këtë pamje.
Nëse ofron vetëm përmirësime në rritje, mund të jetë ende një ndihmë e madhe. Nëse lejon që biologjia të deshifrohet në një mënyrë krejtësisht të re, siç sugjerojnë më përforcuesit, mund ta bëjë të gjithë procesin shumë më të suksesshëm dhe më efikas.
Analistët në BCG shohin shenja të një vale të medikamenteve të reja që po afrohet me shpejtësi. Dr. Pande paralajmëron se rregullatorët e drogës do duhet të përmirësojnë lojën e tyre për të përballuar sfidën. Do ishte një risi e mirë për botën.
VINI RE: Ky material është pronësi intelektuale e The Economist
Përgatiti për Hashtag.al, Klodian Manjani
