Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Os cientistas aplicam a rede neural generative para criar medicinas farmacêuticas novas

Os cientistas do grupo de Mail.Ru, da medicina de Insilico e do MIPT têm aplicado pela primeira vez uma rede neural generative para criar medicinas farmacêuticas novas com as características desejadas. Usando as redes Adversarial Generative (GANs) desenvolvidas e treinadas “invente” estruturas moleculars novas, pode logo haver uma redução dramática na época e no custo da pesquisa por substâncias com propriedades medicinais potenciais. Os pesquisadores pretendem usar estas tecnologias na busca para medicamentações novas dentro das várias áreas da oncologia a CVDs e mesmo anti-infectives. Os primeiros resultados foram submetidos a Оncotarget em junho de 2016 e passaram diversos meses na revisão. Desde então, o grupo fez muitas melhorias ao sistema e contratou-as com algumas das companhias farmacéuticas principais.

Actualmente, a base inorgánica da molécula contem centenas de milhões de substâncias, e somente uma fracção pequena delas é usada em drogas medicinais. Os métodos farmacológicos de drogas da factura têm geralmente uma natureza hereditária. Por exemplo, os farmacologista puderam continuar a pesquisar aspirin que tem estado já no uso por muitos anos, talvez adicionar algo no composto reduzir efeitos secundários ou aumentar a eficiência, contudo a substância ainda permanece a mesma. No começo desse ano, os cientistas na medicina de Insilico demonstraram que é possível reduzir substancialmente a busca usando redes neurais profundas. Mas têm-se centrado agora sobre uma pergunta muito mais desafiante: Há uma possibilidade criar moléculas conceptual novas com as propriedades medicinais usando o sabor novo das redes neurais profundas treinadas em milhões de estruturas moleculars?

A arquitetura Adversarial Generative (AAE) de Autoencoder, uma extensão de redes Adversarial Generative, foi tomada como a base, e os compostos com propriedades medicinais conhecidas e concentrações eficientes foram usados para treinar o sistema. A informação nestes tipos de compostos foi entrada na rede, que foi ajustada então de modo que os mesmos dados fossem adquiridos na saída. A rede própria foi compo de três elementos estruturais: um codificador, um decodificador e um discriminador, cada qual tivessem seu próprio papel específico na “cooperação” com os outros dois. O codificador trabalhado com o decodificador para comprimir e restaurar então a informação no composto do pai, quando o discriminador ajudado a fazer a apresentação comprimida mais apropriada para a recuperação subseqüente. Uma vez a rede aprendeu uma área larga de moléculas conhecidas, o codificador e o discriminador “comutados fora de”, e as descrições geradas rede das moléculas em sua própria usar o decodificador.

Desenvolver as redes Adversarial Generative que produzem as imagens de alta qualidade baseadas em entradas textuais exige a experiência substancial e o tempo de treinamento longo no equipamento do informática de alto rendimento. Mas com imagens e vídeos, os seres humanos podem rapidamente executar o controle da qualidade da saída. Na biologia, o controle da qualidade não pode ser executado pelo olho humano e um número considerável de experiências da validação será exigido para produzir grandes moléculas.

Todas as moléculas são representadas como “sorriem”, ou as anotações gráficas das substâncias químicas que permitem que sua estrutura seja restaurada. O registo padrão ensinado nas escolas não cabe para a rede que processa, mas os sorrisos não fazem o trabalho muito bem qualquer um, porque têm um comprimento aleatório de um símbolo a 200. O treinamento da rede neural exige um comprimento igual da descrição para o vector. A “impressão digital” de uma molécula resolverá esta tarefa, como contem a informação completa na molécula. Há muitos métodos lá fora para fazer estas impressões digitais, mas os pesquisadores usaram o binário o mais simples um disponível consistindo em 166 dígitos. Converteram sorrisos em impressões digitais e ensinaram a rede com elas, depois do qual as impressões digitais de compostos medicinais conhecidos foram entradas na rede. O trabalho da rede era atribuir pesos internos do parâmetro do neurônio de modo que a entrada especificada criasse a saída especificada. Esta operação foi repetida então muitas vezes, como esta é como treinar com grandes quantidades de dados é executada. Em conseqüência, uma “caixa negra” capaz de produzir uma saída especificada para a entrada especificada foi criada, depois do qual os reveladores removeram as primeiras camadas, e a rede gerou as impressões digitais por si só quando a informação foi executada completamente outra vez. Os cientistas construíram assim “impressões digitais” para todas as 72 milhão moléculas, e compararam então as impressões digitais rede-geradas com a base. As moléculas selecionadas devem potencial possuir as qualidades especificadas.

Andrei Kazennov, um dos autores do estudo e de um pós-graduado de MIPT que trabalhe na medicina de Insilico, comenta:

Nós criamos uma rede neuronal do tipo reprodutivo, isto é capaz de produzir os objetos similares ao que foi treinado sobre. Nós ensinamos finalmente este modelo de rede para criar as impressões digitais novas baseadas em propriedades especificadas.

A base de dados anticancerosa da droga foi usada para verificar a rede. A rede foi treinada primeiramente em um meio dos compostos medicinais, e verificada então na outra divisória. A finalidade era prever os compostos já conhecidos mas não incluídos no grupo do treinamento. Um total de 69 compostos previstos foi identificado, e as centenas de moléculas desenvolvidas usando uma extensão mais poderosa do método estão na maneira.

De acordo com um dos autores da pesquisa, de Alex Zhavoronkov, do fundador da medicina de Insilico e do professor internacional da adjunção em MIPT:

Ao contrário dos muitos outros métodos populares na aprendizagem profundamente, as redes Adversarial Generative (GANs) foram propor somente recentemente, em 2014, por Ian Goodfellow e o grupo e os cientistas de Yoshua Bengio ainda estão sua potência em gerado imagens, vídeos, obras de arte e mesmo a canção significativos. O ritmo do progresso está acelerando e logo nós somos prováveis ver avanços tremendos provir das combinações de GANs com outros métodos. Mas tudo que meus grupos estão trabalhando sobre relaciona-se a estender a longevidade humana, durabilidade e a aumentar o desempenho. Quando os seres humanos vão a Marte, precisarão as ferramentas de ser mais resilientes a todos os tipos do esforço e de poder gerar a medicina visada por encomenda. Nós seremos esses que fornecemos estas ferramentas.

“GANs é muito a linha da frente de neurociência. É bastante claro que podem ser usados para uma variedade muito mais larga de tarefas do que a geração simples de imagens e de canção. Nós tentamos esta aproximação com bioinformática e obtivemos grandes resultados,” conclui Artur Kadurin, programador do chumbo do grupo de Mail.Ru da equipe de aperfeiçoamento da busca e do conselheiro independente da ciência da medicina de Insilico.