Di malam yang gelap, jauh dari cahaya kota, bintang-bintang Bima Sakti tampak tak terhitung banyaknya. Tetapi dari titik mana pun, tidak lebih dari 4.500 bintang yang terlihat dengan mata telanjang. Di galaksi kita, ada 100-400 miliar diantaranya, bahkan ada lebih banyak galaksi di alam semesta. Ternyata tidak banyak bintang di langit malam. Namun, bahkan angka ini membuka di hadapan kita wawasan yang dalam … obat-obatan dan obat-obatan. Faktanya adalah bahwa jumlah senyawa organik yang mungkin memiliki khasiat obat melebihi jumlah bintang di alam semesta lebih dari 30 kali lipat. Dan konfigurasi kimiawi yang dibuat para ilmuwan dari obat-obatan yang ada serupa dengan bintang-bintang yang mungkin kita lihat di pusat kota pada malam hari.
Menemukan semua kemungkinan obat adalah tugas yang sangat berat bagi manusia, seperti halnya mempelajari seluruh ruang fisik, dan bahkan jika kita bisa, sebagian besar dari apa yang ditemukan tidak akan sesuai dengan tujuan kita. Namun, gagasan bahwa obat ajaib mungkin mengintai di tengah kelimpahan terlalu menggoda untuk diabaikan.
Itulah mengapa kita harus menggunakan kecerdasan buatan yang dapat bekerja lebih keras dan mempercepat penemuan. Demikian kata Alex Zhavoronkov, yang berbicara di Kedokteran Eksponensial di San Diego minggu lalu. Aplikasi ini bisa jadi yang terbesar untuk AI di bidang kedokteran.
Anjing, diagnosis dan pengobatan
Zhavoronkov - CEO dari Insilico Medicine dan Yayasan Penelitian Biogerontologi CSO. Insilico merupakan salah satu startup yang mengembangkan AI yang dapat mempercepat penemuan obat dan obat baru.
Dalam beberapa tahun terakhir, kata Zhavoronkov, teknik pembelajaran mesin yang terkenal - pembelajaran mendalam - telah membuat kemajuan di beberapa bidang. Algoritme yang mampu mempelajari permainan video - seperti AlphaGo Zero atau pemain poker Carnegie Mellon - adalah yang paling menarik. Namun pengenalan pola inilah yang memberikan dorongan kuat pada pembelajaran mendalam ketika algoritma pembelajaran mesin akhirnya mulai membedakan kucing dari anjing dan melakukannya dengan cepat dan akurat.
Di bidang kedokteran, algoritme pembelajaran mendalam yang dilatih pada database gambar medis dapat mendeteksi penyakit yang mengancam jiwa dengan akurasi yang sama atau lebih besar daripada spesialis manusia. Bahkan ada spekulasi bahwa AI, jika kita belajar untuk mempercayainya, bisa sangat berharga dalam mendiagnosis penyakit. Dan seperti yang dicatat Zhavoronkov, semakin banyak aplikasi yang datang dan rekam jejaknya hanya akan bertambah.
Video promosi:
“Tesla sudah membawa mobil ke jalan,” kata Zhavoronkov. “Teknologi tiga dan empat tahun sudah mengangkut penumpang dari titik A ke titik B dengan kecepatan 200 kilometer per jam; satu kesalahan dan kamu mati. Tapi orang-orang mempercayai hidup mereka untuk teknologi ini."
"Mengapa tidak melakukan hal yang sama di bidang farmasi?"
Mencoba dan gagal, terus menerus
Dalam penelitian farmasi, AI tidak perlu mengemudikan mobil. Dia akan menjadi asisten yang, dipasangkan dengan satu atau dua ahli kimia, dapat mempercepat penemuan obat dengan menelusuri lebih banyak pilihan untuk mencari kandidat yang lebih baik.
Ruang untuk pengoptimalan dan peningkatan efisiensi sangat besar, kata Zhavoronkov.
Menemukan obat adalah pekerjaan yang melelahkan dan mahal. Ahli kimia sedang memilah-milah puluhan ribu kemungkinan senyawa, mencari senyawa yang paling menjanjikan. Dari jumlah tersebut, hanya sedikit yang pergi untuk studi lebih lanjut, dan bahkan lebih sedikit lagi yang akan diuji pada manusia, dan dari ini, secara umum, remah-remah akan disetujui untuk digunakan lebih lanjut.
Keseluruhan proses ini dapat memakan waktu bertahun-tahun dan menghabiskan biaya ratusan juta dolar.
Ini adalah masalah data besar, dan pembelajaran mendalam unggul di data besar. Aplikasi pertama menunjukkan bahwa sistem AI berdasarkan pembelajaran mendalam dapat menemukan pola halus dalam sampel data raksasa. Meskipun produsen obat sudah menggunakan perangkat lunak untuk mengayak senyawa, perangkat lunak tersebut memerlukan aturan yang jelas yang ditulis oleh ahli kimia. Keunggulan AI dalam hal ini adalah kemampuannya untuk belajar dan berkembang sendiri.
“Ada dua strategi untuk inovasi AI dalam farmasi yang akan memberi Anda molekul yang lebih baik dan persetujuan yang lebih cepat,” kata Zhavoronkov. "Yang satu mencari jarum di tumpukan jerami, dan yang lainnya membuat jarum baru."
Untuk menemukan jarum di tumpukan jerami, algoritme dilatih pada database molekul yang besar. Kemudian mereka mencari molekul dengan sifat yang sesuai. Tapi buat jarum baru? Peluang ini disediakan oleh jaringan permusuhan generatif yang menjadi spesialisasi Zhavoronkov.
Algoritme semacam itu mengadu dua jaringan saraf satu sama lain. Yang satu menghasilkan hasil yang berarti, dan yang lain memutuskan apakah hasil ini benar atau salah, kata Zhavoronkov. Secara kolektif, jaringan ini menghasilkan objek baru seperti teks, gambar, atau, dalam hal ini, struktur molekul.
“Kami mulai menggunakan teknologi khusus ini untuk membuat jaringan saraf dalam membayangkan molekul baru untuk membuatnya sempurna dari awal. Kami membutuhkan jarum yang sempurna,”kata Zhavoronkov. "Anda dapat beralih ke jaringan adversarial generatif ini dan memintanya untuk membuat molekul yang menghambat protein X pada konsentrasi Y, dengan viabilitas tertinggi, karakteristik yang diinginkan, dan efek samping minimal."
Zhavoronkov percaya bahwa AI dapat menemukan atau membuat lebih banyak jarum dari banyak kemungkinan molekuler, membebaskan ahli kimia manusia untuk fokus pada sintesis hanya yang paling menjanjikan. Jika berhasil, harapnya, kita bisa meningkatkan jumlah hit, meminimalkan miss, dan secara umum mempercepat prosesnya.
Di dalam tas
Insilico tidak sendirian dalam menjajaki jalan baru untuk penemuan obat, dan ini bukanlah bidang minat baru. Tahun lalu, sebuah kelompok Harvard menerbitkan makalah tentang AI, yang juga memilih kandidat dari obat-obatan. Perangkat lunak ini melatih 250.000 molekul obat dan menggunakan keahliannya untuk membuat molekul baru yang mencampurkan obat yang ada dan memberikan saran berdasarkan sifat yang diinginkan. Namun, seperti dicatat oleh MIT Technology Review, hasil yang diperoleh tidak selalu bermakna atau mudah disintesis di laboratorium, dan kualitas hasil ini, seperti biasa, sama tingginya dengan kualitas data yang diberikan pada awalnya.
Profesor Kimia Stanford, Vijay Pande, mengatakan bahwa gambar, ucapan, dan teks - yang merupakan subjek minat pembelajaran mendalam saat ini - memiliki data yang baik dan bersih. Namun data kimia, di sisi lain, masih dioptimalkan untuk pembelajaran yang mendalam. Selain itu, meskipun database publik ada, sebagian besar datanya masih berada di balik pintu tertutup perusahaan swasta.
Untuk mengatasi semua kendala, perusahaan Zhavoronkov berfokus pada validasi teknologi. Tapi tahun ini, skeptisisme di industri farmasi tampaknya mulai beralih ke minat dan investasi. Bahkan Google bisa masuk ke perlombaan.
Seiring kemajuan AI dan perangkat keras, potensi terbesar masih perlu dibuka. Mungkin suatu hari nanti, semua 1060 molekul dalam domain obat akan siap membantu kita.
Ilya Khel
