Можете да си представите това като Световно първенство по биохимични изследвания.
На всеки две години стотици учени вземат участие в едно глобално състезание. Те се опитват да предскажат триизмерната форма на протеините в човешкото тяло, като се справят с биологичния пъзел, който наричат „проблемът за сгъването на протеините“. Никой не знае как точно да го реши. Дори и победителите успяват само да го докоснат тук или там. Но решението може да улесни начина, по който учените създават нови лекарства и се борят с болестите.
В началото на декември Мохамед Ал Кураиши, биолог, който е посветил кариерата си на този вид изследвания, е взел участие в научна конференция в Канкун, Мексико, където академиците се събират, за да обсъдят резултатите от последното състезание. Когато се настанил в хотела си, в петзвезден курорт на Карибите, той бил погълнат от чувство на меланхолия.
Конкурсът, наречен „Критична оценка на прогнозата на структурата“, не беше спечелен от учени. Той бе спечелен от DeepMind, лабораторията за изкуствен интелект, собственост на компанията-майка на Google.
„Бях изненадан и някак с понижено самочувствие“, казва д-р АлКураиши, изследовател към медицинския факултет в Харвард. – „Те бяха далеч пред всички останали.“
DeepMind се специализира в т. нар. „дълбоко обучение“ – един вид изкуствен интелект, който в наши дни бързо променя начините, по които се откриват нови лекарства. Все по-голям брой компании прилагат подобни методи и към други части от дългия и изключително сложен процес, чрез който се произвеждат нови лекарства. Тези техники могат да ускорят много аспекти на откриването на лекарства и в някои случаи да изпълняват задачи, които обикновено се извършват от хора.
„Не че машините ще заменят химиците“, казва Дерек Лоу, дългогодишен изследовател в областта на откриване на нови лекарства и автор на In the Pipeline, един широко четени блог, посветен на откриването на лекарства. „Просто химиците, които използват машини, ще заменят онези, които не го правят.“
След конференцията в Канкун, д-р АлКураиши описва впечатленията си в пост на собствения си блог. Меланхолията, която изпитвал след загубата на DeepMind, вече е отстъпила място на онова, което той нарича „по-рационална оценка на стойността на научния прогрес“.
Но той остро критикува големите фармацевтични компании като Merck и Novartis, както и собствената си академична общност за това, че не са в крак с времето.
„Най-умните и амбициозни изследователи, които искат да работят по протеиновите структури, ще трябва да се учат от DeepMind, вместо от Merck или Novartis“, пише той. „Този факт би трябвало да изпрати тръпки по гърбовете на фармацевтичните мениджъри, но това едва ли ще се случи, защото те си нямат понятие [от най-новите развития в областта на изкуствения интелект], липсва им реална ориентация. Те просто спят на кормилото.“
Големите фармацевтични компании виждат ситуацията по различен начин. Въпреки че Merck не изследва проблема по сгъването на протеини, тъй като изследователите му смятат, че потенциалното въздействие на подобни изследвания ще се почувства едва след много години, фирмата прилага методите на дълбокото обучение към други аспекти от процеса на откриване на лекарства.
„Трябва да откриваме толкова много други пътища“ [connect so many other dots], казва Хуан Алварес, заместник-председател на отдела за изчислителна и структурна химия в Merck.
През пролетта на 2016, след като получиха голямо медийно внимание със своите системи за изкуствен интелект, които играят сложни игри като древната настолна игра Go, изследователите от DeepMind са потърсили нови предизвикателства. Те провели своеобразен „хекатон“ [състезание по програмиране] в централата на компанията в Лондон.
Работейки с двама други компютърни учени, изследователят Рич Еванс от DeepMind започнал да се занимава с проблема за сгъването на протеините. Заедно те създали игра, която симулира тази научна задача. Изградили система, която се научила да играе играта сама със себе си, а резултатите изглеждали достатъчно обещаващи, за да може DeepMind да посвети на задачата изследователски проект на пълно работно време.
Проблемът със сгъването на протеините задава един лесен въпрос: Можете ли да предскажете физическата структура на един протеин – неговата форма в три измерения?
Ако учените могат да предскажат формата на протеина, те могат да определят по-добре как другите молекули ще „се свържат“ с нея – как физически ще се прикрепят към нея, – и това е един от начините, по които се разработват нови медицински средства. Лекарството се свързва с определени протеини в тялото ви и променя поведението им.
В последното състезание DeepMind е направил тези прогнози чрез използване на „невронни мрежи“ – сложни математически системи, които могат да се научат да решават различни задачи чрез анализиране на огромни количества данни. Като анализира хиляди протеини, невронната мрежа може да се научи да предсказва формата на други такива.
Това е същата технология за дълбоко обучение, която разпознава лицата в снимките, които публикувате във Facebook. През последното десетилетие технологията е преоткрила широка гама от интернет услуги, потребителски продукти, роботизирани устройства и други области на научните изследвания.
Много от учените, които се състезаваха, са използвали методи, подобни на онези на DeepMind. Но DeepMind спечели състезанието с доста голяма преднина, като подобри точността на прогнозата с почти двеста процента в сравнение с онова, което експертите очакваха от победителя.
Победата на DeepMind показа как бъдещето на биохимичните изследвания все повече ще се ръководи от машини и хората, които ги контролират.
Този вид изследване на изкуствения интелект се нуждае от огромно количество изчислителна мощност и DeepMind се обляга на масивните компютърни центрове за данни, с които разполага Google. В лабораторията работят и много от най-добрите изследователи на AI в света, които знаят как да извлекат максимума от този хардуер.
„Това ни позволява да бъдем много по-креативни, да изпробваме още много идеи, често паралелно едни на други“, казва Демис Хасабис, главен изпълнителен директор и съосновател на DeepMind (Google изкупи фирмата за около 650 милиона долара през 2014 година.)
Малко вероятно е университетите и големите фармацевтични компании да отделят някакви подобни на тези ресурси. Но благодарение на услугите от „облака“ [тоест работа не на собствени компютри, а на сървърите на някоя голяма фирма], предлагани от Google и други технологични гиганти, цената на изчислителната мощ продължава да спада. Д-р АлКураиши призова научната общност от областта на науките за живота да привлече повече внимание към вида работа с изкуствен интелект, практикуван от DeepMind.
Някои изследователи вече се движат в тази посока. Много стартиращи фирми, като Atomwise в Сан Франциско и Recursion в Солт Лейк Сити, използват същите техники за изкуствен интелект, за да ускорят други аспекти на откриването на лекарства. Recursion например използва невронни мрежи и други методи, за да анализира изображенията на клетките и разбира по-добре начините, по които новите лекарства влияят върху тези клетки.
Големите фармацевтични компании също започват да изследват тези методи, понякога в партньорство със стартиращи фирми.
„В тази област всички се движат нагоре“, казва Джереми Дженкинс, ръководител на отдела изследване на масиви от данни в областите на химичната биология и терапевтиката към Novartis. „Това е като правене на завой с голям кораб и мисля, че тези методи в крайна сметка ще се разраснат до размерите на цялата ни компания.“
Г-н Хасабис казва, че екипът на DeepMind стои твърдо зад идеята за решаване на проблема със сгъването на протеините. Но много експерти казват, че дори ако проблемът бъде решен, е необходима още много работа, преди лекарите и пациентите да се възползват от това решение по какъвто и да е практически начин.
„Това е само първата стъпка“, казва Дейвид Бейкър, директор на Института за дизайн на протеини във Вашингтонския университет. „А има още много други, които трябва да бъдат направени.“
Например, докато работят за по-доброто разбиране на протеините в организма, учените трябва да създават и нови протеини, които могат да служат като кандидати за лекарства. Д-р Бейкър вярва, че създаването на протеини е по-важно за откриването на нови лекарства, отколкото методите на „сгъване“, които се изследват в момента, а тази задача, смята той, не е толкова подходяща за AI в стил DeepMind
Изследователите от DeepMind се фокусират върху неща като игри и състезания, защото в тези области може най-бързо и най-ясно да се демонстрира напредъка в областта на изкуствения интелект. Но не е ясно как този подход ще може да се прилага към множество задачи и научни области.
„Поради сложностите, с които е свързано откриването на нови лекарства, ние се нуждаем от голямо разнообразие от инструменти,“ казва д-р Алварес. „Няма единичен отговор, който да отговаря на всички задачи и потребности.“
