Umělá inteligence vytváří vysoce účinné protilátky, které si lidé nedokážou ani představit

James Field a jeho společnost LabGenius nevyrábějí sladké pochoutky, ale revoluční přístup k vývoji nových lékařských protilátek na bázi umělé inteligence.Protilátky jsou v přírodě odpovědí organismu na onemocnění a slouží jako přední linie imunitního systému. Jsou to vlákna bílkovin, která jsou speciálně tvarovaná tak, aby se přilepila na cizí vetřelce a mohla je vyplavit ze systému. Od 80. let 20. století vyrábějí farmaceutické společnosti syntetické protilátky k léčbě nemocí, jako je rakovina, a ke snížení pravděpodobnosti odmítnutí transplantovaných orgánů.Navrhování těchto protilátek je však pro člověka pomalý proces – konstruktéři proteinů se musí prokousat miliony možných kombinací aminokyselin, aby našli ty, které se budou skládat přesně tím správným způsobem, a pak je všechny experimentálně otestovat, upravit některé proměnné, aby se zlepšily některé vlastnosti léčby, a zároveň doufat, že se tím nezhorší jiné vlastnosti. „Pokud chcete vytvořit novou terapeutickou protilátku, někde v tomto nekonečném prostoru potenciálních molekul sedí molekula, kterou chcete najít,“ říká Field, zakladatel a generální ředitel společnosti LabGenius.Společnost založil v roce 2012, když během doktorandského studia syntetické biologie na Imperial College London viděl, že náklady na sekvenování DNA, výpočty a robotiku klesají. Společnost LabGenius využívá všechny tyto tři technologie k tomu, aby do značné míry automatizovala proces objevování protilátek. V laboratoři v Bermondsey algoritmus strojového učení navrhuje protilátky zaměřené na konkrétní nemoci a automatizované robotické systémy je pak v laboratoři vytvářejí a pěstují, provádějí testy a data vracejí zpět do algoritmu, to vše s omezeným lidským dohledem. K dispozici jsou místnosti pro kultivaci nemocných buněk, pěstování protilátek a sekvenování jejich DNA: Technici v laboratorních pláštích připravují vzorky a ťukají do počítačů, zatímco v pozadí si vrní stroje.Lidští vědci začínají identifikací vyhledávacího prostoru potenciálních protilátek pro boj s určitou nemocí: Potřebují bílkoviny, které dokáží rozlišit zdravé a nemocné buňky, přilnout k nemocným buňkám a poté získat imunitní buňku, která práci dokončí. Tyto proteiny se však mohou nacházet kdekoli v nekonečném prostoru hledání potenciálních možností. Společnost LabGenius vyvinula model strojového učení, který dokáže tento prostor prozkoumat mnohem rychleji a efektivněji. „Jediný vstup, který systému jako člověk dáváte, je: tady je příklad zdravé buňky, tady je příklad nemocné buňky,“ říká Field. „A pak necháte systém prozkoumat různé návrhy [protilátek], které mezi nimi dokáží rozlišit.“Model vybírá více než 700 počátečních možností z vyhledávacího prostoru 100 000 potenciálních protilátek a poté je automaticky navrhuje, sestavuje a testuje s cílem nalézt potenciálně přínosné oblasti pro hlubší zkoumání. Představte si výběr dokonalého automobilu z tisíců: Můžete začít výběrem široké barvy a pak ji filtrovat podle konkrétních odstínů.Testy jsou téměř plně automatizované a na přípravě vzorků a jejich průchodu různými fázemi testovacího procesu se podílí řada špičkových zařízení: Protilátky se pěstují na základě své genetické sekvence a poté se testují na biologických testech – vzorcích nemocné tkáně, na kterou byly navrženy. Na celý proces dohlížejí lidé, ale jejich úkolem je převážně přesouvat vzorky od jednoho stroje k druhému.Přístup LabGenius přináší nečekaná řešení, která by člověka nenapadla, a nachází je rychleji: Od zadání problému k dokončení první dávky uplyne pouhých šest týdnů, a to vše v režii modelů strojového učení. Společnost LabGenius získala 28 milionů dolarů od společností jako Atomico a Kindred a začíná spolupracovat s farmaceutickými společnostmi a nabízí své služby jako poradenství. Field říká, že automatizovaný přístup by se mohl rozšířit i na další formy objevování léků a změnit dlouhý, „řemeslný“ proces objevování léků v něco efektivnějšího.Podle Fielda je to nakonec recept na lepší péči: léčbu protilátkami, která je účinnější nebo má méně vedlejších účinků než stávající léčba navržená lidmi. „Najdete molekuly, které byste konvenčními metodami nikdy nenašli,“ říká. „Jsou velmi odlišné a často v rozporu s návrhy, které byste jako člověk vymysleli – což by nám mělo umožnit najít molekuly s lepšími vlastnostmi, což se v konečném důsledku promítne do lepších výsledků pro pacienty.“