Stanford İlaç Geliştirmek için Derin Öğrenme Algoritması Oluşturuyor

0
486

Bilgisayar bilimi ve kimyayı birleştiren araştırmacılar, az miktarda verinin işe yaradığı makine öğrenmesinin ileri formunun ilaç bulma problemlerini çözmek için nasıl kullanılabileceğini göstermektedir.

Yapay zeka algoritmaları, inanılmaz derecede ince bilgileri tespit etmeyi öğrenebilir; fotoğraf içerisindeki kişileri ayırt etmeyi veya medikal görüntüleri bir doktor gibi görüntülemeyi mümkün kılar.

Stanford Üniversitesi’nde kimya profesörü olan Vijay Pande ve öğrencileri, düşük veri sorununun çözümünü sadece az sayıda veri noktası gerektiren bir çözüm olabileceği tek adımlı öğrenme denilen oldukça yeni bir tür derin öğrenme düşündüler.

Pande, “İlaç tasarımının ilk aşaması için makine öğrenimini, özellikle derin öğrenmeyi kullanmaya çalışıyoruz” dedi.”Mesele, ilaç tasarımında binlerce örnek verdiğinizde, muhtemelen zaten başarılı bir ilacınız var demektir.”

Grup, tek adımlı öğrenmeyi ilaç tasarım problemlerine uygulamak fikrinin çok zorladığını itiraf etti – veriler muhtemelen çok sınırlıydı – Bununla birlikte, geçmişte sadece yüzlerce veri noktası gerektiren makine öğrenme yöntemleriyle başarılar oldu ve tek adımlı yaklaşımı test etmek için mevcut verilere sahiplerdi. Denemeye değer görünüyordu.

3 Nisan’da ACS Central Science’da yayınlanan sonuçlar, sürpriz olmalarına rağmen, tek adımlı öğrenme yöntemlerinin ilaç geliştirme ve diğer kimya araştırmaları alanlarında yararlı bir araç olma potansiyelinin olduğunu göstermektedir.

Görüntülerden moleküllere geçme

Diğer araştırmacılar, tek-adımlı öğrenmeyi görüntü tanıma ve genomik uygulamalara başarıyla uyguladılar, ancak ilaç geliştirme ile ilgili problemlere uygulamak biraz farklıydı.

Piksel ve bazlar, bir algoritmayı beslemek için oldukça doğal veri türleriyken, küçük moleküllerin özellikleri değildir.
Moleküler bilgiyi daha sindirilebilir hale getirmek için, araştırmacılar ilk önce her molekülü atomlar arasındaki bağlantılarla (bir matematikçinin grafik olarak adlandırdığı) temsil etti. Bu adım, bir algoritmanın işleyebileceği bir formdaki kimyasalın öz niteliklerini vurguladı.

Bu grafik gösterimleriyle grup, iki farklı veri kümesi üzerinde bir algoritma amaçladı -biri farklı kimyasalların toksikliği hakkında bilgi bir diğeri de onaylanmış ilaçların ayrıntılı yan etkileri hakkında bilgi- İlk veri kümesinden algoritmayı altı kimyasal üzerinde odaklamışlar ve diğer üçünün toksikliği konusunda tahminlerde bulunmuşlardır. İkinci veri setini kullanarak, ilaçları yan etkileri olan 21 görevle ilişkilendirmek için odakladı, altı test daha uyguladı.
Her iki durumda da, algoritma, tesadüfen mümkün olacağından zehirlilik veya yan etkileri daha iyi tahmin edebildi.

Pande laboratuvarında lisansüstü öğrencisi ve araştırmanın baş yazarı olan Bharath Ramsundar “Bazı prototip algoritmaları üzerinde çalıştık ve birkaç veri puanı verildiğinde oldukça doğru tahminlerde bulunabildiklerini bulduk” dedi.

Bununla birlikte, Ramsundar bunun “sihirli” bir teknik olmadığına dikkat çekti. Belli bir stilde tek adımlı öğrenme biçimindeki son birkaç gelişmeden yola çıktı ve dolaylı olarak formülüyle gösterilen farklı moleküllerin yakınlığına dayanarak çalışıyor. Örneğin, araştırmacılar, algoritmasını zehirlilik verileri üzerine eğitince ve yan etki verileri üzerinde test edince, algoritma tamamen çöktü.

Bir Deneyistin Yardımı

Yapay zekaların insanların işlerini alacağı ile ilgili korkacak bir şey yok. Araştırmacılar, araştırmalarının başında olan ve umut verici adaylardan oluşan bir gruptan hangi molekülün izleneceğini araştırmaya çalışan kimyagerler için potansiyel bir araç için zemin oluşturacağını düşünüyorlar

Ramsundar, “Şimdilik, insanlar bu türden seçimlerle tedbir alıyorlar” dedi. “Bunun için güzel bir iltifat olabilir: bir deneyistin yardımı.”

İlaç tasarımına dair fikir vermekten öte, bu araç moleküler kimya için geniş çapta uygulanabilir. Zaten, Pande laboratuvarı bu yöntemleri güneş pilleri için farklı kimyasal bileşimler üzerinde test ediyor. DeepChem kütüphanesinin bir parçası olarak deneyde kullandıkları tüm kodları açık kaynak olarak hazırladılar.

Pande, “Bu kağıt, bu adımın bu alandaki ilk uygulaması oldu ve makine öğrenimi alanının çok hızlı bir şekilde hareket etmesini görmek heyecan verici” dedi. “Bu yolculuğun sonu değil – başlangıcı.”

 

Kaynak: http://news.stanford.edu/2017/04/03/deep-learning-algorithm-aid-drug-development/

Facebook Yorumları