使用人工智能技术从数据获得药物

人工智能算法可以学会识别非常微妙的信息,使他们能够区分人的照片或屏幕医学图像以及一名医生。但在大多数情况下做出此等壮举的能力依赖于培训,涉及数千到数万亿的数据点。这意味着人工智能不工作,很少有数据的情况下,如药物开发。

Vijay潘德,斯坦福大学的化学教授和他的学生认为一种相当新的深度学习,称为一次性学习,只需要少量的数据点可能低数据问题的解决方案。

“我们试图使用机器学习,特别是深度学习,对于药物设计的早期阶段,“潘德说。“问题是,一旦你有成千上万的例子在药物设计中,你可能已经有一个成功的药物。”

该组织承认的想法应用一次性学习药物设计问题是牵强的,数据可能是太有限了。然而,他们的成功与机器学习方法在过去只需要数以百计的数据点,和他们有数据可用来测试只有一次的方法。似乎值得一试。

更让他们惊讶的是,他们的研究结果,发表在4月3日ACS中央科学表明,一次性学习方法有潜力作为药物开发有用的工具和其他的化学研究领域。

从图像到分子

其他研究人员已经成功地应用一次性学习图像识别和基因组学,但是用它去解决问题相关的药物开发略有不同。而像素和基地相当自然类型的数据提供给一个算法,小分子的性质不是。

使分子的信息更加容易消化,研究者们首先代表每个分子的原子之间的连接(一个数学家称之为图形)。这一步强调了化学的内在属性的形式一个算法的过程。

用这些图形表示,该集团训练算法——一个在两个不同的数据集的信息不同化学物质的毒性,另一个详细批准药物的副作用。从第一集开始,他们训练算法在六化学品和其他三个的毒性进行预测。使用第二个数据集,他们训练将药物与副作用在21个任务,测试六个。

在这两种情况下,该算法能更好地预测毒性或副作用比是可能的机会。

“我们从事一些原型算法和发现,给出了一些数据点,他们能够相当准确的预测,“说Bharath Ramsundar,谁是一个研究生在潘德实验室和研究的联合作者。

不过,Ramsundar警告称,这并不是一个“神奇”的技术。建造的一些最新进展在一个特定的风格的一次性学习,它是通过依靠不同的分子的亲疏远近,作为间接表示公式。例如,当研究人员训练他们的算法在毒性数据和测试它的副作用数据,该算法完全崩溃了。

一个实验物理学家的帮助

人们担心AI把工作从人类从这个工作没有什么可害怕的。研究人员设想这是为一个潜在的工具对于那些早期的化学家在他们的研究中,试图从一组选择哪个分子有前途的候选人。

“现在,人们做出这种选择的预感,“Ramsundar说。“这可能是一个很好的称赞:实验者的助手。”

除了给洞察药物设计,这个工具将广泛适用于分子化学。潘德的实验室正在测试这些方法在不同的太阳能电池的化学成分。他们也取得了所有的代码用于实验的开放源码,可作为DeepChem库的一部分。

“这篇论文是第一次,只有一次的被应用到这个空间,令人兴奋的是机器学习领域的移动如此之快,”潘德说。“这不是结束这段旅程——这是一个开始。”

这篇文章被转载材料所提供的斯坦福大学。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考

Altae-Tran, H。,Ramsundar B。帕普,a。&潘德诉(2016)。低数据与一次性学习药物发现。arXiv预印本arXiv: 1611.03199。