#drugdiscovery #AI #recs
Время на прочтение - 5 минут
Сложность - 4/10
Пока я неспеша писал трактат на тему “что не так с ML в химии”, Derek Lowe, автор одного из моих любимых блогов “In The Pipeline” разразился очередной справедливой критикой на тему оптимистичных предсказаний, того что AI алгоритмы возьмут и сами найдут лекарства от всего на свете.🌈
❗️Сама заметка для ознакомления - The End of Disease. Кстати блог рекомендую тем, кто интересуется темой разработки лекарств. В моем личном списке RSS он прописался еще с 2017 года.
Тезисы из заметки:
1️⃣ Машинное обучение ≠ искусственный интеллект. ИИ (или AGI) еще не существует Не стоит причислять богоподобные свойства обычному стохастическому попугаю, который обучался не всегда на прозрачных данных.
2️⃣ Машинное обучение не открывает новых законов природы и не «расширяет знание» в фундаментальном смысле – оно переиспользует то, что уже содержится в обучающих данных. Если в данных пробел или систематическая ошибка, модель этого не «придумает» – напротив, она может бессознательно укрепить существующие заблуждения.
3️⃣Приходится прибегать к языковой редукции для того, чтобы скормить алгоритму данные. Белок превращается в аминокислотную последовательность, которая кодируется просто буквами аминокислот. Но даже при условии химической интерпретации придется использовать дескрипторы типа SMILES или InChI, которые имеют кучу ограничений. А любое упрощение — это потеря контекста и, как следствие, ошибки в предсказаниях.
Дерек хорошо расписывает эти моменты, а я бы добавил немного от себя пока кратко🧐
➖➖➖
Любой, кто хоть раз занимался разработкой молекул, наверняка вздрагивает от очередных обещаний "AI-сингулярности в химии", исходящих от людей, для которых биология — набор датасетов, а химия — красивые иероглифы. Вспоминаются Дороничев (бывший YouTube, теперь OPTIC), Altman (OpenAI), Kurzweil (Google), Hassabis (DeepMind) — таких десятки. Хотя, да, если говорить исключительно правду, никто инвестировать не будет.☹️
Каждый раз одно и тоже - вот мы возьмем модель белка (если есть то cryo-SEM или предскажем с помощью AlphaFold, который не ругал только ленивый), прогоним через модель всю химическую базу Enamine, купим что надо, и всё — осталось чуть-чуть ADMET подкрутить. Проблема лишь в том, что предсказания не точны, а все, что мы делаем — это снова и снова редуцируем сложную реальность до формата, удобного для алгоритма (и нашего мозга). Да и текущий подход к разработке молекул уже сложно назвать универсальным.🫥
Человек — не варёная куриная грудка, где лишь только белок. Природа щедро одарила нас богатым биохимическим внутренним миром, и патогенез может быть вызван чем угодно, а не только бракованными протеинами. Но, разумеется, туда, где сложно измерить in vitro активность кандидата, мало кто идёт — не модно и не быстро. Шансы на успех и так не велики, около 14%, а тут еще с мишенью возиться⚠️
Это не значит, что всё очень плохо, истина как обычно посередине. В случае очень хорошо охарактеризованных мишеней, с помощью ML уже находят и будут находить перспективные молекулы - например Rentosertib или Abaucin. Осталось всего лишь пробраться через клинику до регистрации препарата👀
Новые инструменты реально ускоряют этапы разработки и высвобождают ресурсы и время — чтобы у людей была возможность заниматься сложным. Всё таки чтобы появился действительно новый инсайт, требуется человеческое творчество: задать правильные вопросы, проверить неожиданные предположения. ML в этих задачах скорее аугмент для человеческого разума, ускоряющий анализ, но не замещающий научную интуицию.🧠
Остаётся надеяться, что такие громкие обещания не навредят в целом индустрии, хайп скоро утихнет, деньги еще останутся и мы приблизимся к плато продуктивности — не через 15 лет, а пораньше. Но до волшебной коробочки, которая штампует лекарства от всего подряд, нам, скорее всего, не дожить.🫤
We’re just a few miscalculated pKa values away from curing every known disease😅.
Пост - 60 минут