Примерно каждый первый стартап по машинному обучению в медицине занимается разработкой лекарств. Что это означает?

В идеальном мире – вы запихиваете в алгоритм данные пациента (например, медицинскую карту, результаты анализов или снимок из микроскопа), а он говорит вам какое лекарство нужно применить, чтобы пациент выздоровел. А если такого лекарства ещё не придумали, генерирует химическую формулу новой молекулы. Она работает так как надо без побочных эффектов, а ещё легко и дёшево синтезируется. Мы от этого идеального мира ещё ох как далеко

Здесь есть несколько сложностей. Одна из них – representation learning. Пока не существует хороших способов представления молекул, а их пространство ведёт себя очень непредсказуемо. Есть такой термин как «activity cliff» – небольшое изменение в составе молекулы может приводить к огромному изменению её активности. Пример на картинке, голубые числа снизу – активность на логарифмической шкале (pK)

Пока страются отработать методы на более простых задачах, таких как классификация лекарств по данным. К примеру, капают на клетки разными лекарствами, смотрят на фото из микроскопа как изменяется их внешний вид и тренируют нейросетку распознать по этим снимкам лекарства. Именно таким занимается компания Recursion из поста повыше. Так можно обкатать методы, собрать данные и возможно однажды решить обратную задачу – задать, какие мы хотим получить клетки, и попросить алгоритм выдать формулу нужного лекарства