شکار برای داروهای جدید با هوش مصنوعی

دلایل بسیاری وجود دارد که امیدوار کننده مواد مخدر شستشو در طول دارویی توسعه و یکی از آنها توسط سیتوکروم P450. مجموعه ای از آنزیم ها عمدتا در کبد تولید CYP450 آن را به عنوان است که معمولا به نام درگیر در شکستن مواد شیمیایی و جلوگیری از آنها را از ساختمان به سطح خطرناک در خون است. بسیاری از داروهای تجربی معلوم مهار تولید CYP450—یک دشوارترین اثر جانبی است که می تواند به ارائه یک داروی سمی در انسان است.

شرکت های دارویی به مدت طولانی با تکیه بر ابزارهای متعارف را امتحان کنید به پیش بینی اینکه آیا یک نامزد مواد مخدر را مهار CYP450 در بيماران مانند با انجام تجزیه و تحلیل شیمیایی در لوله های آزمایش در CYP450 تعامل با بهتر درک داروهایی که مواد شیمیایی شباهت و در حال اجرا در آزمایش بر روی موش. اما پیش بینی های خود را در اشتباه هستند و حدود یک سوم از زمان. در آن موارد CYP450 مربوط به مسمومیت ممکن است به نور تنها در طول آزمایش های انسانی و در نتیجه میلیون ها دلار و سال تلاش به هدر رفتن. این هزینه بی دقتی می تواند در زمان احساس “زهر از وجود ما می گوید:” Saurabh Saha معاون ارشد رئیس جمهور از تحقیق و توسعه و پزشکی ترجمه در بریستول-مایرز اسکوئیب.

ناکارآمدی مانند این منجر به یک مشکل بزرگتر: $1 تریلیون جهانی صنعت داروسازی شده است در مبارزه با مواد مخدر توسعه و بهره وری اسلاید برای حداقل دو دهه است. شرکت های دارویی هزینه های بیشتر و بیشتر—10 بزرگترین آنهایی که در حال حاضر پرداخت نزدیک به 80 میلیارد دلار در سال به آمده تا با کمتر و کمتر موفق به مواد مخدر. ده سال پیش هر دلار سرمایه گذاری در تحقیق و توسعه شاهد بازگشت از 10 سنت; امروز بازده آن کمتر از دو سنت است. در بخشی که به دلیل مواد مخدر است که ساده ترین راه برای پیدا کردن و با خیال راحت و به طور موثر در درمان اختلالات شايع شده اند یافت می شود; چه چیزی باقی مانده است شکار برای مواد مخدر است که مشکلات پیچیده و دشوار و راه حل های که در درمان اختلالات مؤثر تنها بخش کوچک از جمعیت و در نتیجه می تواند بازگشت به مراتب کمتر درآمد.

چون پیدا کردن جدید, موفق, مواد مخدر تبدیل شده است بسیار سخت تر از میانگین هزینه آوردن یک بازار تقریبا دو برابر شده بین سال های 2003 و 2013 به $2.6 میلیارد دلار با توجه به تافتز مرکز برای مطالعه توسعه مواد مخدر. این همان چالش ها افزایش یافته و آزمایشگاه-به-بازار خط زمان به 12 سال با 90 درصد از مواد مخدر شستشو در یکی از مراحل آزمایش های انسانی.

تعجبی ندارد که این صنعت است که مشتاق در مورد مصنوعی-هوش ابزار برای توسعه مواد مخدر. این ابزار کار نمی کند با داشتن کارشناس-طراحی و توسعه تکنیک های تحلیلی در برنامه ریزی شده به آنها; و نه کاربران آنها را تغذیه و مشکلات نمونه (یک مولکول) و راه حل (چگونه مولکول در نهایت رفتار به عنوان یک دارو) به طوری که این نرم افزار می توانید خود را توسعه روش های محاسباتی برای تولید آن همان راه حل است.

ترین هوش مصنوعی مبتنی بر مواد مخدر-کشف برنامه های کاربردی به صورت یک تکنیک به نام یادگیری ماشین از جمله زیر مجموعه ای از این رویکرد به نام یادگیری عمیق. اکثر ماشین-یادگیری برنامه می توانید کار با مجموعه داده است که سازمان یافته و برچسب در حالی که عمیق-یادگیری برنامه می توانید کار با خام بدون ساختار داده ها و نیاز به مقدار حجم بزرگتر. یک ماشین-آموزش برنامه ممکن است یاد بگیرند به رسمیت شناختن ویژگی های مختلف یک سلول پس از نشان داده شده است ده ها هزار نفر از نمونه هایی از عکس از سلول های که در آن قطعات در حال حاضر نشاندار شده است. عمیق-آموزش نسخه می توانید از شکل آن قطعات خود را در آن از unlabeled همراه تصاویر, اما ممکن است نیاز به نگاهی به یک میلیون نفر از آنها را به انجام آن.

بسیاری از دانشمندان در این زمینه فکر می کنم که هوش مصنوعی در نهایت بهبود و توسعه مواد مخدر در راه های مختلفی: با شناسایی بیشتر امیدوار کننده مواد مخدر نامزدهای; با بالا بردن آمار “رای” و یا درصد از نامزدها که آن را از طریق آزمایش های بالینی و به دست آوردن تصویب قانونی; و با بالا بردن سرعت کلی روند. یک ماشین-یادگیری برنامه به تازگی مستقر شده توسط بریستول-مایرز اسکوئیب مثلا آموزش دیده بود برای پیدا کردن الگوهای موجود در داده ها که مرتبط با CYP450 مهار. سها میگه برنامه افزایش دقت آن CYP450 پیش بینی به 95 درصد—یک شش برابر کاهش در میزان شکست در مقایسه با روش های مرسوم است. این نتایج محققان کمک به سرعت صفحه نمایش را به طور بالقوه سمی مواد مخدر و به جای تمرکز بر روی داوطلبان که باید قوی تر شات در ساخت آن تمام راه را از طریق آزمایشات متعدد انسان را به سازمان غذا و داروی آمریکا تایید. “که در آن هوش مصنوعی می تواند یک تفاوت بزرگ است که با داشتن مواد مخدر است که شکست در اوایل قبل از اینکه ما را تمام است که سرمایه گذاری در آنها می گوید:” Vipin Gopal رئیس اطلاعات و تجزیه و تحلیل افسر در Eli Lilly.

منابع در حال حاضر ستون به این زمینه است. هوش مصنوعی مبتنی بر مواد مخدر-کشف start-ups مطرح شده بیش از 1 میلیارد دلار بودجه در سال 2018 و همانطور که از سپتامبر گذشته آنها در مسیر افزایش 1.5 میلیارد دلار در سال 2019. هر یکی از عمده شرکت های دارویی اعلام کرده است با همکاری حداقل یکی از این شرکت است. تنها چند AI-کشف مواد مخدر در واقع در انسان-تست خط لوله و با این حال هیچ یک شروع فاز 3 انسانی محاکمه طلا-استاندارد آزمون تجربی مواد مخدر. Saha تصدیق میکند که از آن خواهد شد چند سال قبل از او می تواند با اطمینان بگوید که آیا این شرکت میزان ضربه خواهد شد تا به عنوان یک نتیجه از هوش مصنوعی پیش بینی نرخ CYP450 مهار. برای همه اعتیاد به مواد مخدره در صنعت آن است که به دور از برخی که نتایج اولیه را ترجمه کنید به بیشتر و بهتر مواد مخدر.

Chart: A.I. software can predict which compounds are likely to bind to a target protein, as well as recommend further tests to help narrow the list of drug candidates
اعتبار: Campbell, پزشکی, تصویر,

الک را از طریق میلیون ها نفر از مولکول

در حال ظهور هوش مصنوعی برنامه ها دقیقا یک انقلابی به روز رسانی در صنعت دارو است که برای برخی از زمان بوده است ساختمان پیچیده تحلیلی راه حل هایی که کمک های اولیه با مواد مخدر توسعه است. ظهور قدرتمند آماری و بيو مدل سازی در برنامه های بیش از یک دهه پیش به عنوان بخشی از رشد این رشته بیوانفورماتیک—تلاش برای استفاده از ابزار محاسباتی برای استخراج بیولوژیکی بینش از مقادیر زیادی از داده ها منجر به ابزار است که می تواند پیش بینی خواص مولکول ها. اما این برنامه ها محدود شده است توسط دانشمندان ناقص درک درستی از چگونه مولکول های تداخل می کنند: آنها نمی تواند بگوید معمولی نرم افزار چگونه برای پیدا کردن بینش در داده زمانی که آنها نمی دانند که چه عناصر داده ها مهم هستند و نحوه ارتباط آنها با یکدیگر است. آغشته با توانایی استخراج خود بینش که داده ها عناصر مهم جدیدتر AI برنامه می توانید عصاره بهتر پیش بینی برای طیف وسیع تری از متغیرهای.

AI ابزار مقابله با جنبه های مختلف کشف مواد مخدر در چند راه. برخی از AI شرکت ها به عنوان مثال در حال تمرکز بر مشکل در طراحی یک دارو است که می تواند با خیال راحت و به طور موثر کار بر روی یک هدف شناخته شده—که معمولا خاص به خوبی مورد مطالعه قرار پروتئین است که در ارتباط با یک بیماری است. هدف این است که به طور معمول به آمده تا با یک مولکول شیمیایی است که می تواند با اتصال به پروتئین هدف و آن را تغییر دهید به طوری که آن را دیگر منجر به بیماری یا علائم آن است. Cyclica یک شرکت کانادایی قرار می دهد نرم افزار خود را به کار در تطبیق ساختار بیوفیزیکی و بیوشیمیایی خواص میلیون ها مولکول به ساختار و خواص برخی از 150,000 پروتئین به کشف مولکول به احتمال زیاد برای اتصال به هدف قرار دادن پروتئین ها و همچنین کسانی که برای جلوگیری از.

اما مولکول که نامزدها به عنوان مواد مخدر هنوز هم مجبور به پرش از طریق پرتال تخصصی اولی. کسانی که شامل ساخت آن را از طریق روده وارد جریان خون بدون اینکه بلافاصله شکسته توسط کبد یا متابولیک; کار در یک ارگان خاص از جمله کلیوی بدون اخلال در ارگان های دیگر; اجتناب از اتصال به و ناتوان هر یک از هزاران نفر از دیگر پروتئین ها در بدن انسان است که مهم است به سلامت و شکستن و ترک بدن قبل از مواد مخدر در سطح تبدیل شدن به طور بالقوه خطرناک است. Cyclica AI نرم افزار طول می کشد تمام کسانی که نیاز به در نظر گرفتن. “یک مولکول است که می تواند در تعامل با پروتئین هدف معمولا می تواند با تعامل به سمت بالا از 300 پروتئین” Cyclica مدیر عامل شرکت ناهید Kurji می گوید. “اگر شما در حال طراحی مولکول های آن را به شما امر مستلزم در نظر گرفتن دیگر 299 تعامل است که می تواند اثرات فاجعه بار در انسان است.”

وجود دارد در حال رشد است به رسمیت شناختن در میان پزشکی محققان که پیچیده بیماری هایی مانند سرطان و آلزایمر شامل صدها پروتئین و ضربه فقط یکی از آنها به احتمال زیاد نیست مخل به اندازه کافی. Cyclica است تلاش برای پیدا کردن فردی ترکیبات است که می تواند ارتباط برقرار کردن با ده ها تن از هدف قرار دادن پروتئین و در عین حال اجتناب از تعامل با صدها نفر از دیگر پروتئین های Kurji توضیح می دهد. در حال حاضر تحت توسعه او می افزاید: اختلاط ثروت ناشناخته خواهد ماند و جهانی اطلاعات ژنتیکی مورد تغییرات در پروتئین به طوری که این نرم افزار می توانید مشخص کنید که کدام بیماران نامزد مواد مخدر کار می کند بهترین. Kurji ادعا می کند که با هم این ویژگی خواهد شد در نهایت قادر به اصلاح پنج سال خاموش معمولی هفت-سال-چارچوب زمانی طولانی برای آوردن یک نامزد اولیه دارو از شناسایی به آزمایش های انسانی.

مرک و بایر در میان شرکت های دارویی بزرگ که اعلام همکاری با Cyclica. به عنوان مورد با بسیاری از AI-داروسازی مشارکت این شرکت ها در حال انتشار مقدار بینش دقیقا چه هوش مصنوعی-تولید مواد مخدر نامزدها ممکن است بیرون آمدن از این همکاری. اما Cyclica به اشتراک گذاشته شده است برخی از جزئیات آن موفقیت در شناسایی یک هدف کلیدی پروتئین مرتبط در حال حاضر مورد تایید FDA داروهای سیستمیک scleroderma یک بیماری خود ایمنی پوست و ارگان های دیگر و همچنین به عنوان یکی مربوط به ویروس ابولا است. هر یک از مواد مخدر است که در حال حاضر مورد تایید FDA برای درمان سایر اختلالات—ایدز و افسردگی بود—که بدان معنی است که آنها هر دو می تواند به سرعت “repurposed” برای برنامه های کاربردی جدید اگر همچنان تحقیقات برای حرکت به.

گاهی اوقات محققان شناسایی یک پروتئین هدف که ممکن است نقش مهمی در بیماری اما پیدا است که—همانطور که درست است حدود 90 درصد از پروتئین در بدن انسان—نه چندان شناخته شده در مورد ساختار و خواص. با داده های کمی برای رفتن بر روی اکثر ماشین – و-یادگیری برنامه نمی خواهد بود قادر به کشف کردن که چگونه به “مواد مخدر” پروتئین است که آمده تا با ترکیبات که با اتصال به آن و دیدار با دیگر معیارهای ایمنی و اثر بخشی. یک تعداد انگشت شماری از هوش مصنوعی شرکت ها با تمرکز بر این نوع از “big data” مشکلات از جمله Exscientia که با استفاده از نرم افزار خود را به شکار کردن مولکول که این کار ممکن است با هدف قرار دادن پروتئین است. آن می تواند مفید بینش با عنوان چند به عنوان 10 قطعه از اطلاعات در مورد یک پروتئین می گوید: مدیر عامل شرکت اندرو هاپکینز استاد دارویی و انفورماتیک در دانشگاه داندی در اسکاتلند است.

Exscientia الگوریتم مقایسه اطلاعات محدود موجود در مورد هدف قرار دادن پروتئین در برابر یک پایگاه داده در حدود یک میلیارد پروتئین فعل و انفعالات. این گام باریک در پایین این لیست ممکن است ترکیباتی که ممکن است کار می کنند و مشخص می کند چه داده های اضافی کمک خواهد کرد که بیشتر تصحیح تمرکز. چنین اطلاعاتی ممکن است از نگاه کردن به نمونه بافت برای کسب اطلاعات بیشتر در مورد چگونه پروتئین رفتار در بدن ، در نتیجه اطلاعات جدید هستند و سپس تغذیه به نرم افزار که pares لیست دوباره و نشان می دهد دور دیگری از اطلاعات مورد نیاز. این فرایند تکرار می شود تا زمانی که این نرم افزار آماده برای تولید یک کنترل لیست از ترکیبات هستند که مطلوب مواد مخدر نامزدها برای این هدف است.

هاپکینز ادعا می کند که Exscientia روند می تواند به کاهش زمان صرف شده در کشف از 4.5 سال به عنوان کمی تا یک سال باعث کاهش هزینه های کشف 80 درصد و در نتیجه در یک پنجم تعداد سنتز ترکیبات به عنوان به طور معمول مورد نیاز برای تولید یک تک برنده مواد مخدر است. Exscientia همکاری با بیوتکنولوژی غول Celgene در تلاش برای پیدا کردن پتانسیل مواد مخدر برای سه هدف.

در ضمن یک Exscientia همکاری با گلاکسو منجر به آنچه که شرکت ها می گویند که امیدوار کننده مولکول هدف قرار دادن یک رمان مسیر برای درمان بیماری انسدادی مزمن ریوی. اما همانطور که با هر AI شرکت پرداختن به توسعه مواد مخدر Exscientia به سادگی نمی شده است در این بازی به اندازه کافی بلند برای تولید به اندازه کافی نامزد جدید است که می تواند ساخته اند آن را از طریق به اواخر مرحله محاکمه — یک فرایند است که به طور معمول طول می کشد پنج تا هشت سال است. هاپکینز ادعا می کند یکی از نامزدهای Exscientia شناسایی کرده است ممکن است به آزمایش های انسانی به عنوان اوایل این سال است. “در پایان روز ما می شود قضاوت در مواد مخدر تحویل ما,” او می گوید.

نیاز برای اهداف جدید

پیدا کردن یک مولکول برای اصابت به یک هدف جدید است که نه تنها چالش عمده در کشف مواد مخدر. نیز وجود دارد که نیاز به شناسایی اهداف در وهله اول. به نقطه پروتئین است که ممکن است نقش در بیماری های biopharma شرکت برگ امر AI به غربال کردن از طریق اطلاعات به دست آمده از بافت انسانی نمونه است. این رویکرد با هدف حل دو مشکل که قطع بیش ترین تحقیقات به اهداف مواد مخدر با توجه به برگ مدیر عامل شرکت نیون R. Narain: تلاش ها تمایل دارند که بر اساس یک پژوهشگر نظریه یا قوز است که می تواند تعصب نتایج و بیش از حد محدود کردن استخر از نامزدها و آنها اغلب به نوبه خود به اهداف است که در ارتباط به این بیماری اما در نهایت به اثبات مسبب که به معنی drugging آنها کمک خواهد کرد.

برگ رویکرد شامل متصل کردن هر قطعه از اطلاعات است که می تواند واپیچیدن از بیمار نمونه بافت ارگان مایعات و bloodwork. این استخراج داده ها شامل ژنتیک پروتئوميکس, metabolomics, lipidomics و بیشتر—غیر منتظره ای طیف گسترده ای را در نظر بگیرید در یک شکار برای اهداف. نمونه های گرفته شده از افراد با و بدون بیماری خاص و در مراحل مختلف پیشرفت بیماری. سلولهای زنده از نمونه ها در آزمایشگاه های مختلف ترکیبات و شرایط مانند سطوح پایین اکسیژن و یا سطوح بالای گلوکز است. این روش تولید داده های مربوط به تغییرات اعم از سلول توانایی تولید انرژی به استحکام آن غشاء و فرآیندهای غشایی.

تمام داده ها پس از آن اجرا را از طریق مجموعه ای از برنامه یادگیری است که جستجو برای هر گونه تفاوت بین nondisease و بیماری متحده با یک چشم و در نهایت با تمرکز بر پروتئین که حضور به نظر می رسد تاثیر این بیماری است. در برخی از موارد کسانی که تبدیل به پروتئین نامزدها به عنوان اهداف در نقطه ای که برگ آن نرم افزار می توانید شروع به جستجو برای به دارو و ترکیبات آن اهداف. چه تر است, چرا که این نرم افزار می تواند تشخیص زمانی که هدف به نظر می رسد به علت بیماری سلامت در تنها زیر مجموعه ای از بیماران آن را می توانید نگاه برای ویژگی های متمایز از این بیماران مانند برخی از ژن.که هموار راه را برای دقت-طب رویکرد معنی بیماران آزمایش می شود قبل از آنها را به مواد مخدر برای تعیین اینکه آیا آن است که به احتمال زیاد موثر برای آنها.

هیجان انگیز ترین دارو برای بیرون آمدن از برگ کاری—و شاید هیجان انگیز ترین به ظهور از هر گونه مواد مخدر-کشف-مرتبط با هوش مصنوعی تلاش برای تاریخ—یک داروی ضد سرطان به نام BPM31510. آن را به تازگی به اتمام فاز 2 آزمایش برای بیماران مبتلا به پیشرفته سرطان لوزالمعده است که بسیار تهاجمی و دشوار است به درمان است. فاز 1 آزمایش اغلب نشان نمی دهد بسیار در مورد یک داروی بالقوه به جز آن است که آیا سمی خطرناکی در داده دوز اما BPM31510 فاز 1 آزمایش در برابر سرطان های دیگر ارائه برخی از تایید توانایی Berg نرم افزار برای پیش بینی حدود 20 درصد از بیماران بودند که به احتمال زیاد برای پاسخ به آن را به عنوان به خوبی به عنوان کسانی که بیشتر احتمال دارد به تجربه عوارض جانبی.

علاوه بر بافت-نمونه تجزیه و تحلیل از محاکمه led برگ نرم افزار برای پیش بینی counterintuitively که مواد مخدر را بهترین کار در برابر سرطان تهاجمی به دلیل آن حملات مکانیسم های که بازی در یک نقش بزرگتر در آن سرطان. باید این دارو به دست آوردن تصویب برگ ممکن است انجام یک postmarket تحلیل شاید یکی از 100 بیماران مصرف آن “به طوری که ما می توانیم حفظ بهبود چگونه آن را استفاده می شود” Narain می گوید.

برگ با همکاری داروسازی غول AstraZeneca به دنبال اهداف پارکینسون و دیگر بیماری های عصبی و با شرکت سانوفی پاستور به دنبال بهبود واکسن آنفولانزا. همچنین کار با U. s. Department of Veterans Affairs و کلینیک کلیولند در اهداف برای سرطان پروستات است. این نرم افزار در حال حاضر به شناسایی مکانیسم برای تست های تشخیصی است که می تواند افتراق سرطان پروستات از benignly بزرگ شدن پروستات که در حال حاضر اغلب دشوار است برای انجام این کار بدون عمل جراحی.

گرفتن فراتر از اعتیاد به مواد مخدره

بزرگ داروسازی علاقه تزریق این نوع از هوش مصنوعی و تلاش برای کشف مواد مخدر می تواند سنجیده توسط این واقعیت است که حداقل 20 جداگانه مشارکت گزارش شده بین شرکت های بزرگ و هوش مصنوعی-مواد مخدر-کشف شرکت های فن آوری. فایزر گلاکسو و نوارتیس در میان شرکت های دارویی گفت: به هم ساخته شده است قابل توجهی هوش مصنوعی تخصص در خانه و این احتمال وجود دارد که دیگران در حال انجام همان.

اگر چه تحقیقات مدیران در این شرکت ابراز شور و شوق برای برخی از نتایج اولیه, آنها سریع به اعتراف است که هوش مصنوعی است و هیچ چیز مطمئن برای خط پایین با توجه به چند جدید هوش مصنوعی به کمک نامزدها را ساخته اند آن را به حیوانات-تست مرحله از توسعه مواد مخدر اجازه دهید به تنهایی برای آزمایش های انسانی. هيات داوران از این که آیا هوش مصنوعی را با موفقیت کشف مواد مخدر کارآمد تر می گوید: سارا Kenkare-میترا معاون ارشد رئیس جمهور از توسعه علوم در رچ تابعه Genentech, و حتی اگر آن را ندارد “ما هنوز نمی تواند می گویند که آیا آن خواهد شد افزایشی بهبود و یا نمایی جهش.” اگر بسیاری از این مواد مخدر که ناشی از هوش مصنوعی تلاش آن را به خوبی به انسان, تست این سوال هنوز پاسخ داده شود به طور کامل مگر اینکه مواد مخدر پیشرفت تمام راه را از طریق به تایید FDA.

Bristol-Myers Squibb را Saha نشان می دهد که هوش مصنوعی به وسیلهی مواد مخدر’ رای از ورود به بازار به احتمال زیاد به پایین برای برخی از زمان. که رای می تواند انتخاب کنید تا به طور چشمگیری اما اگر مراحل تست و تایید شد و کارآمد را به حساب توانایی ماشین – و-یادگیری در سیستم های با دقت بیشتری پیش بینی که داروهای بسیار به احتمال زیاد به امن و موثر است و که بیماران آنها بهترین راه حل مناسب برای. “زمانی که سازمان تنظیم مقررات همان ارزش ما در هوش مصنوعی floodgates می تواند باز,” او می گوید. “در برخی از موارد ما ممکن است مجاز به عبور بیش از مدل های حیوانی و انسانی تست هنگامی که ما نشان می دهد این داروها می تواند اهداف خود را با هیچ سمیت.” اما این تغییرات احتمالا سال ها دور او اذعان می کند. او اضافه می کند که این اشتباه است به این معنا که هوش مصنوعی جایگزین دانشمندان و معمولی تحقیقات—در حالی که هوش مصنوعی پشتیبانی و تقویت تلاش های انسان, آن را هنوز هم بستگی به انسان برای تولید رمان بیولوژیکی بینش تنظیم جهت تحقیقات و اولویت های راهنمای و اعتبار نتایج و تولید داده های مورد نیاز.

به نفس اعتیاد به مواد مخدره در اطراف هوش مصنوعی مبتنی بر کشف مواد مخدر در واقع ممکن است مضر برگ را Narain می گوید: به دلیل overpromising می تواند منجر به ناامیدی و واکنش. “این روز های اولیه و ما باید هوشیار در مورد این واقعیت است که این ابزار که می تواند به کمک آنها حل نشده است,” او می گوید. Cyclica را Kurji امتیاز در هوش مصنوعی شرکت است که آنچه او می گوید در حال اغراق آمیز بازاریابی ادعا می کند مانند داشتن کاهش بسیاری از سال و میلیاردها دلار در آن طول می کشد به منظور توسعه یک دارو به چند هفته و چند صد هزار دلار است. “این به سادگی درست نیست,” او می گوید. “و آن را غیر مسئولانه و مخرب می گویند.”

اما اگر اعتیاد به مواد مخدره لطمه می زند Kurji اصرار دارد او همچنین می داند چه خواهد شد به هوش مصنوعی-مواد مخدر-کشف صنعت افزایش بزرگ: بیشتر با کیفیت بالا و اطلاعات برای اشتراک در برنامه های مختلف. “ما با تکیه بر سه چیز است: داده ها و اطلاعات بیشتر,” او می گوید. که تمایلات تکرار توسط Enoch هوانگ معاون رئیس جمهور دارویی علوم در Pfizer که می گوید که داشتن حق الگوریتم نیست مهم ترین عامل است.

نیاز به خوراک هوش مصنوعی نرم افزار با حجم زیادی از داده های مربوطه است که در واقع شروع به تغییر علم به عنوان محققان اجرای آزمایش های بیشتر به طور خاص با تولید هوش مصنوعی-داده های مربوطه در ذهن است. Genentech را Kenkare-میترا اشاره می کند که این در حال حاضر اتفاق افتاده در سلول های بنیادی پژوهش به مواد مخدر. “وجود ندارد همیشه اطلاعات کافی از این کلینیک با استفاده از یادگیری ماشین” او می گوید. “اما ما می توانیم [اغلب] تولید می کند که داده ها در شرایط آزمایشگاهی و تغذیه آنها به سیستم است.”

این نوع رویکرد می تواند منجر به یک چرخه در کشف مواد مخدر است که در آن هوش مصنوعی کمک می کند تا روشن کردن مناطق که در آن محققان باید به دنبال اهداف و مواد مخدر. این نتیجه تحقیقات را فراهم می کند بزرگتر و بیشتر مربوط به مجموعه داده است که اجازه می دهد تا نرم افزار به نقطه را به حتی بیشتر بارور تحقیقات راه. “این بسیار AI ما معتقدیم در” Kenkare-میترا می گوید: “به عنوان یک انسان-AI همکاری است.”

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>