Kako AI ubrzava otkriće i dizajn nove terapije

U potrazi za rešenjama složenih globalnih izazova, uključujući bolesti, energetske potrebe i klimatske promjene, znanstvenici, uključujući one sa MIT-a, okreću se umjetnoj inteligenciji i kvantitativnoj analizi za dizajniranje i izgradnju inženjeriranih stanica s novim svojstvima. Ove inženjerirane stanice mogu biti programirane kako bi postavile nove terapije – borile se i možda i izoštrile bolesti.

James J. Collins, jedan od osnivača područja sintetičke biologije, također je vođući istraživač u sistemskoj biologiji, interdisciplinarnom pristupu koji koristi matematički analizu i modeliranje složenih sistema kako bi bolje razumjeo biološke sisteme. Njegovo istraživanje dovelo je do razvoja novih klasa dijagnostičkih i terapeutskih sredstava, uključujući u detekciji i liječenju patogena poput Ebola, Zika, SARS-CoV-2 i antibiotički otpornih bakterija. Collins, profesor medicinskog inženjeringa i znanosti i profesor biološkog inženjeringa na MIT-u, je jezgreni član Insituta za medicinski inženjering i znanost (IMES), direktor MIT Abdul Latif Jameel Klinike za mašinsko učenje u zdravstvu te je član Insituta Broad Institute of MIT and Harvard, i jezgreni osnivač Wyss Instituta za biološki inženjering inspiriran biološkim procesima, Harvard.

U ovom Q&A-u, Collins govori o svom najnovijem radu i ciljevima ove istraživačke aktivnosti.

Kako su kolaborativni rad i pridruživanje drugim institucijama pomogli u vašem istraživanju?

Kolaboracija je središnji element u radu u mojoj laboratoriji. Na MIT Jameel Klinici za mašinsko učenje u zdravstvu, stvorili smo kolaboraciju s Regina Barzilay [Delta Electronics profesorica u MIT-ovom Odjelu za električnu inženjering i računalne znanosti i afilirani član Fakulteta za medicinske inženjering i znanosti] i Tommi Jaakkola [Thomas Siebel profesor el. inženjeringa i računalnih znanosti te član Instituta za podatke, sisteme i društvene znanosti] kako bismo koristili duboko učenje za otkrivanje novih antibiotika. Ova naпор комбинirao je naše stručnosti u umjetnoj inteligenciji, mrežnoj biologiji i sistemskoj mikrobologiji, što je dovelo do otkrića halicina, snažnog novog antibiotika koji je učinkovit protiv širokog spektra patogena otpornih na više antibiotika. Rezultati su objavljeni u Cell časopisu 2020. godine i prikazali su moć kombiniranja komplementarnih vještina za suočavanje sa globalnim zdravstvenim izazovima.

Na Wyss Institutu, radio sam uživo s Donald Ingber-om [Judah Folkman profesor vaskularne biologije na Harvard Medicinski fakultet i program Vascular Biology na Boston Children’s Hospital, te Hansjörg Wyss profesor biološkog inženjeringa inspiriran biološkim procesima na Harvard], koristeći njegovu tehnologiju organa na čipu za testiranje učinkovitosti AI otkrivenih i AI generiranih antibiotika. Ove platforme nam omogućuju proučavanje ponašanja lijekova u okolišu ljudskih tkiva, nadopunjujući tradicionalne eksperimente na životinjama i pružajući nam precizniji pogled na njihov terapeutski potencijal.

Ključna tema koja prolazi kroz naše mnoge kolaboracije jest sposobnost kombiniranja računalnih predviđanja s naprednim eksperimentalnim platformama, ubrzavajući put od ideja do validiranih novih terapija.

Koje su napredovale u dizajnu novih antibiotika koristeći generativnu umjetnu inteligenciju i duboko učenje? Što vidite na horizontu za proboke u ovoj sferi?

Godine 2025., naša laboratorija objavila je studiju u kojoj je pokazano kako se generativna umjetna inteligencija može koristiti za dizajniranje potpuno novih antibiotika od nule. Koristili smo genetske algoritme i varijacijske autoencodere kako bismo generirali milijune kandidatskih molekula, istražujući i fragment-bazirane dizajne i potpuno neograničeni kemijski prostor. Nakon računalne filtriranja, retrosintetske modela i revizije farmaceutske kemije, sintetizirali smo 24 spoja i eksperimentalno ih testirali. Sedmoro pokazali su selektivnu antibakterijsku aktivnost. Jedan vođu, NG1, bio je vrlo uski spektar, uništavajući multi-otporne patogene, uključujući otporne na gonoreju.

Pros i cons umjetne inteligencije u medicini

Pros:

1. Ubrzanje otkrića: AI može ubrzati otkrivanje novih terapija i lijekova.
2. Potencijal za personalizirano medicinsko zbrinjavanje: Može prilagoditi lijekove i terapije individualnim potrebama pacijenata.
3. Reduciranje vremena i troška: Brže identifikacije potencijalnih lijekova može smanjiti vrijeme i troškove u odnosu na tradicionalne metode.

Cons:

1. Etički izazovi: Istraživanje može dovesti do etičkih pitanja, posebno u korištenju AI za odlučivanje o zdravstvenom liječenju.
2. Zavisnost od kvaliteta podataka: Kvaliteta AI odluka ovisi o kvaliteti podataka koji se koriste za treniranje.
3. Rizični faktor regulacije: Može biti izazovno osigurati da AI tehnologije zadovoljavaju sve regulatorne standarde.

Česta pitanja korisnika

Je li moguće da AI potpuno zamijeni ljudske liječnike?

Trenutno, AI ne može potpuno zamijeniti ljudske liječnike. AI može pomoći u donošenju odluka i ubrzavati istraživanje, ali ljudska sugestija, empatija i složena odlučivanja ne mogu biti potpuno zamijenjena.

Kako AI može pomoći u borbi protiv antibiotičke otpornosti?

AI može analizirati ogromne količine podataka kako bi identificirao nove antibiotičke spojeve i razviti nove strategije za borbu protiv patogena otpornih na antibiotike. Također može pomoći u razumijevanju kako se patogeni razvijaju otpornost, omogućavajući ranu intervenciju.

Što je budućnost za AI u medicini?

Budućnost za AI u medicini je iz