Фарминдустрия достаточно консервативна, поэтому довольно сложно идет на какие-то серьезные изменения. Для того чтобы, например, разработать успешные лекарства, у компании уходит до 3 миллиардов долларов США, а разработка может занимать до 14 лет. При этом далеко не все препараты успешно выходят на рынок.
Консервативность лекарственной отрасли частично объясняется тем, что в ней довольно строгие правила проведения исследований, повышенные требования к эффективности и безопасности молекул, имеется много жестких регуляторных ограничений. Всё это или тормозит, или накладывает ограничения на развитие цифровизации в индустрии.
Однако сегодняшние темпы и масштабы медицинских и научных инноваций, а также растущие объемы информации все-таки трансформируют эту индустрию, и она вынуждена подстраиваться под новые технологии в науке, медицине и IT. Цифровизация приходит в фарму в ответ на увеличение объемов данных и их постоянный рост.
Для чего нужен и как используется искусственный интеллект на ранних этапах разработки лекарственных препаратов? — об этом рассказывает главный эксперт-биолог и научный аналитик компании «SemanticHub» Анна Палеева.
— Какие драйверы стимулируют фарму к цифровизации?
Анна: Эксперты предсказывают, что к 2025 году в мире будет накоплено 175 Зеттабайт данных. Один Зеттабайт – это секстиллион байт, либо 1 миллион миллионов гигабайт. Это какие-то совершенно невероятные числа, которые совершенно невозможно представить в уме. И эти данные могу включать в себя абсолютно все, в том числе и сведения, важные для медицины:
- генетические данные;
- данные ДНК;
- данные с носимых медицинских устройств, которые используют пациенты;
- научная литература и многое другое.
Одновременно увеличиваются вычислительные мощности для анализа такого огромного потока данных. При этом происходит некоторое снижение затрат на вычисления.
- Инновации в биомедицине тоже подталкивают фармацевтические компании к развитию.
-
- — Однако обстановка вокруг фарминдустрии все равно довольно сложная?
Анна: С другой стороны, она же и стимулирующая. Если фармкомпании не будут развиваться, цифровизироваться, то, по некоторым оценкам, Deloitte, например, это может привести к снижению прогнозируемой отдачи от инвестиций уже на более поздних стадиях разработки молекул.
Поэтому происходит обострение конкуренции между разными компаниями, сокращение времени цикла на исследование и разработку, сокращение времени на рынке из-за истечения сроков действия патентов, снижение пиковых продаж.
Немалую роль играет усиление контроля со стороны регулирующих органов.
В итоге сегодня фарминдустрия становится одной их самых динамичных отраслей, что приводит к оптимизации процессов производства лекарственных средств, к эволюции бизнес-моделей и даже к смене различных парадигм.
Одна из новых парадигм – Patient Centricity, то есть ориентация на пациента, предполагает производство лекарств для конкретных пациентов, в том числе в рамках идеи персонализированной медицины.
Также меняется взаимодействие с регуляторными органами, с FDA (Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов). Появляются возможности работать с качественными Big Data.
Всё это, в итоге, может привести к повышению эффективности производства новых продуктов и снижению затрат.
-
- — Как обычно происходит создание препарата?
- Анна: Воронка» создания препарата включает несколько этапов.
На самом раннем этапе поиска молекул у исследователей может быть до десяти тысяч кандидатов, из них на стадии Drug discovery отсеиваются, практически, все. И на стадию доклинических исследований, где молекулы начинают испытываться на in vitro моделях — клеточных культурах или животных — попадает всего около 250 молекул.
На этап клинических испытаний, когда это всё можно пробовать на людях, доходят примерно пять молекул.
Регуляторы, в лучшем случае, одобрят какую-нибудь одну молекулу
Основная задача создания препаратов — сделать их эффективными, безопасными и доступными. За этим следят сами фармкомпании, ученые и регулирующие органы, такие как FDA, и даже пациенты. Это очень долгий процесс, и около 85 % препаратов улетает буквально в помойку, не доходя до стадии выхода на рынок.
— Что ожидают разработчики лекарственных средств от искусственного интеллекта?
Анна: В первую очередь он может помочь сделать весь процесс дешевле, быстрее и эффективнее. Использование искусственного интеллекта может привести к снижению затрат, связанных с поиском и разработкой новых молекул на 70 миллиардов долларов в ближайшие 10 лет, что даст до 40% совокупного среднегодового темпа роста индустрии.
Применение искусственного интеллекта для разработки лекарственных препаратов возможно на всех вышеперечисленных этапах.
На первой стадии, Drug discovery — поиска и разработки ключевой молекулы — основная роль искусственного интеллекта заключается в прогнозировании взаимодействия между молекулами: как будут будущие лекарства взаимодействовать с белками в клетках человека.
Также ИИ может использоваться для изучения и понимания механизмов заболевания.
Соответственно, в этот период с помощью ИИ происходит поиск новых решений, биомаркеров, выявление и утверждение оптимизации молекул кандидатов, чтобы из 10 000 компаундов можно было быстро и эффективно найти что-то очень полезное.
Искусственный интеллект может участвовать в процессе Drug repurposing, когда уже существующие для определенных заболеваний препараты перепрофилируются для других заболеваний. В перспективе это снизит необходимость проведения испытаний на животных.
ИИ может в будущем привести к существенному сокращению необходимости первой фазы клинических испытаний.
Искусственный интеллект в медицине: существующие технические решения и проблемы использования
Одним из важнейших факторов, влияющих на развитие человеческого общества в ближайшие годы, станет искусственный интеллект (ИИ). В это понятие мы вкладываем все направления развития сферы, включая машинное обучение (Machine Learning, ML), генеративно-состязательные сети (Generative Adversarial Networks, GAN), градиентный бустинг (Gradient-boosted-tree models, GBM), глубокое обучение с подкреплением (Deep Reinforcement Learning, DRL) и т.д. Бизнес, технологический сектор, а также здравоохранение — это те области, где ИИ особенно востребован. Давайте посмотрим, как инструменты AI/ML способны повлиять на качество оказания медицинских услуг. Прим.: Cloud4Y подготовил статью из трёх частей, посвящённых связке ИИ и медицины. Первые две рассказывают о способах использования технологии, а третья посвящена проблемам, которые возникают при реализации этой идеи. Идея использования искусственного интеллекта в медицине восходит к 1972 году, когда заработал MYCIN Стэнфордского университета. Это была программа-прототип ИИ, используемая для изучения вопроса заражения крови.
Воспользуйтесь нашими услугами
Ранние исследования ИИ продолжались в основном в американских учреждениях (совместно работали MIT-Tufts, активно развивали технологию в Стэнфорде и Ратгерском университете. В 1980-х годах Стэнфордский университет продолжил свою работу в области искусственного интеллекта в рамках проекта «Медицинский экспериментальный компьютерно-искусственный интеллект в медицине» ( SUMEX-AIM).
Благодаря росту вычислительной мощности и появлению новых технологий искусственного интеллекта, работа в этом направлении стала намного более активной. Регулярно появляются новости об очередном научном открытии, сделанном с помощью нейросетей и машинного обучения. Что интересного можно рассказать о возможностях и перспективах ИИ в медицине на сегодняшний день?
Ии в радиологии
Многочисленные данные медицинской визуализации в изобилии хранятся в небольших локальных системах. Но что, если использовать глубокое обучение, загрузив данные в облако и «скормив» их ИИ? Машины и алгоритмы могут эффективно интерпретировать данные визуализации, выявляя закономерности и аномалии.
Самый очевидный вариант использования: ассистент радиолога/рентгенолога, занимающийся выявлением и локализацией подозрительных образований на коже, повреждений, опухолей, внутренних кровоизлияний, образований на мозге и т.д. Компьютер работает быстрее и точнее, а потому способен выдать конкретные данные о заболевании спустя несколько секунд после обработки информации. Человек так не может.
Есть и другой момент. Высококвалифицированные специалисты стоят дорого, и на них колоссальный спрос. Они испытывают нешуточное давление, буквально увязая в потоках данных, которые сыплются на них со всех сторон.
Если верить этой статье, такой специалист должен выдавать диагноз каждые 3-4 секунды. Машинный интеллект может повысить квалификацию обычного специалиста, помогая ему разобраться в сложных ситуациях.
Тем самым уменьшая количество ложных диагнозов и спасая жизни людей.
Выявление редких или трудно диагностируемых заболеваний часто зависит от опыта врача, а также степени «запущенности» болезни. Проще говоря, пока болячка не полезет наружу, её могут и не распознать.
Обучив компьютер на больших наборах данных, содержащих необработанные изображения и множество форм патологий, сопутствующих тем или иным заболеваниям, можно повысить качество постановки диагнозов и количество выявленных заболеваний.
Такую идею разрабатывает стартап AIDOC.
ИИ способны повысить качество работы медучреждений, автоматизировав трудоёмкую и ответственную часть работы врачей. С помощью компьютерных алгоритмов можно также контролировать эффективность лечения и качество выполненной операции, прогнозировать скорость восстановления организма.
Хорошим примером такой технологии является проект Microsoft InnerEye. Он предлагает использовать методы ML для сегментации и идентификации опухолей с использованием 3D-рентгеновских снимков. Это может помочь в точном планировании операции, навигации и эффективном формировании контуров опухоли для планирования лучевой терапии.
Также нужно заметить, что МРТ и другие современные системы визуализации, используемые для раннего выявления рака, работают с ML. Алгоритмы помогают проводить расширенный анализ изображений.
Например, выполнить сегментацию предстательной железы или совместить несколько разных снимков (например, УЗИ, КТ и МРТ) для получения более точной картины.
Машинный интеллект также способен распознать онкологию во время плановых медицинских процедур и даже хирургическом вмешательстве (часто бывает, что во время операции остаётся незамеченным ещё одно злокачественное образование).
Ии в патологии
Патологическая диагностика включает исследование среза ткани под микроскопом. Использование Deep Learning для обучения алгоритма распознавания изображений в сочетании с человеческим опытом обеспечит более точную диагностику. Анализ цифровых снимков на уровне пикселей может помочь в обнаружении патологических изменений, которые человеческий глаз легко может пропустить. И это обеспечит более эффективную диагностику.
Такую технологию разрабатывает, к примеру, медицинская школа Гарварда. Алгоритм использует технологию распознавания речи и изображений для распознавания снимков с патологиями и обучает компьютеры различать раковые и не раковые образования. Сочетание этого алгоритма с работой человека привело к точности 99,5%.
Машинное обучение и медицинская наука
Во всевозможных медицинских учреждениях генерируются петабайты данных. Эти данные, к сожалению, обычно являются беспорядочно разбросанными и неструктурированными.
Это ни в коем случае не упрёк в сторону врачей. Им приходится не столько лечить, сколько отчитываться о лечении.
Однако хаос здорово мешает в планировании и глобальном наблюдении за здоровьем отдельно взятой страны или мира в целом.
Дополнительная сложность заключается в том, что в отличие от стандартных бизнес-данных, данные пациентов не слишком-то хорошо поддаются простому статистическому моделированию и аналитике.
Мощная облачная платформа с поддержкой ИИ, имеющая доступ к медицинским БД, способна эффективно анализировать смешанную информацию (например, патологию крови, генетические особенности, рентгеновские снимки, историю болезни).
Она же (теоретически) способна анализировать входные данные и выявлять скрытые закономерности, которых не видно из-за чересчур большого объёма медицинской информации.
Интерпретируемые модели ИИ и распределённые системы машинного обучения отлично подходят для этих задач. Они позволят не только эффективно развивать медицинскую науку, находя новые закономерности и расовые/половые/возрастные особенности людей, но формировать более точные данные о состоянии здоровья населения в конкретных регионах.
Хирургические роботы-ассистенты
Уже сейчас многие операции проводятся с помощью компьютерного зрения и манипуляторов, которыми управляет хирург. Это значимая часть развития медицинских технологий, нивелирующая фактор человеческой усталости и повышающая эффективность процедур. Роботы с ИИ способны здорово помочь обычным хирургам. Например:
- Контролировать работу врача, выполняя роль страховки на случай невнимательности;
- Улучшать видимость для хирурга, напоминать ему о последовательности действий во время процедуры;
- Создавать точные, минимально инвазивные разрезы тканей;
- Снижая уровень боли для пациента за счёт подбора оптимальной геометрии разреза и накладываемого шва.
Но для успешной реализации такого проекта необходимо накопить опыт. Разработать ПО для взаимодействия робота и хирурга. Собрать массив информации, основанной на реально проведённых операциях (как с участием только людей, так и связки человек+робот).
Хорошим вариантом может стать генерация компьютером пространства виртуальной реальности для управления действиями хирурга в режиме реального времени. Также можно использовать телемедицину и удалённую хирургию для проведения относительно несложных операций.
Виртуальные медсёстры
Активно разрабатывается и технология виртуальной медсестры, способной неотрывно «сопровождать» больного на протяжении всего периода лечения. ИИ планируется использовать для мониторинга состояния пациента, фиксации показателей датчиков, установленных на его теле, предоставления ответов на стандартные вопросы больного (о времени процедур, фамилии врача, длительности лечения и пр.).
Современная диагностика глаукомы: нейросети и искусственный интеллект
Статья посвящена возможностям современной диагностики глаукомы с использованием нейросети и искусственного интеллекта
Проблема своевременного и точного разграничения нормы и патологии при диагностике первичной открытоугольной глаукомы (ПОУГ) вместе с очевидной необходимостью определения следов даже минимального прогрессирования заболевания являются приоритетными в современной глаукоматологии [1–4].
Данное утверждение является аксиомой в клинической практике, что подтверждается масштабами проблемы и явным отсутствием ее решения на протяжении последних десятилетий, несмотря на грандиозное развитие рынка диагностических технологий [5, 6]. Начиная с первой половины 1990-х гг. и до середины 2000-х гг. (т. е.
практически полтора десятилетия) акцент диагностического поиска у больных глаукомой был смещен в область совершенствования технологий и приборов.
На смену традиционной офтальмоскопии пришло фундус-фотографирование, а с развитием компьютерных технологий появились конфокальная лазерная офтальмоскопия (Гейдельбергская ретинотомография, HRT) и параллельно развивавшаяся лазерная поляриметрия [7].
Позже главенствующее положение заняла оптическая когерентная томография (ОКТ), ставшая одним из самых успешных и широко используемых методов визуализации в офтальмологии. За последние десятилетия разрешение приборов улучшилось в десятки раз, а скорость сканирования увеличилась в сотни раз [8].
Вместе с тем разработка и запуск в серийное производство методов диагностики, проводящих неинвазивное исследование структур глазного дна у больных ПОУГ, — это лишь одно из перспективных направлений.
Очевидно, что даже самые точные машины, во-первых, только сравнивают полученные конкретные результаты с нормативной базой, ранее заложенной в их аппаратное обеспечение, а во-вторых, могут анализировать ограниченное количество параметров в силу особенности вычислительных ресурсов.
Наконец, один тип исследования (например, структурная диагностика) — это всего лишь единственный, пусть и очевидный, но ограниченный метод диагностики, тогда как в целом диагноз ПОУГ при начальных проявлениях требует сопоставления взаимоотношений достаточного количества параметров, таких как характеристики уровня внутриглазного давления (ВГД), состояние светочувствительности сетчатки и морфометрия диска зрительного нерва (ДЗН) и слоя нервных волокон сетчатки (СНВС), а также ряда других (например, субъективных или социально-гендерных) составляющих и пр. Очевидно, что определение таких взаимоотношений требует значительного напряжения людских и вычислительных ресурсов.
Предпосылки внедрения технологий искусственного интеллекта в медицине
Наряду с совершенствованием классических методик диагностики (например, появление технологии ОКТ с частотно-модулируемым источником оптического излучения, так называемая ОКТ с перестраиваемой длиной волны, или индукционной тонометрии), новый импульс в диагностике и мониторинге возник именно с развитием технологий искусственного интеллекта (ИИ).
Сеть ИИ — это математическая модель, а также ее программное или аппаратное воплощение, построенное по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы [9].
В настоящее время ИИ — это отрасль информатики, которая стремится имитировать интеллектуальное поведение человека в компьютерах. Это так называемый «зонтичный» термин, которым объединяют несколько компонентов (машинное обучение (machine learning), глубокое обучение (deep learning) и обработку).
ИИ способен извлекать информацию из неструктурированных данных, например таких, как данные клинических протоколов и/или результаты публикаций в медицинских журналах. Метод позволяет превратить наборы информации в структурированные данные, которые затем могут быть проанализированы с помощью методов машинного обучения [10, 11].
Нейронная сеть представлена взвешенными взаимосвязями между обрабатывающими элементами. Эти показатели определяют нелинейную функцию, выполняемую нейронной сетью. Процесс определения таких параметров называется обучением. Таким образом, нейронные сети по своей природе адаптивны, соответствуют неточному, неоднозначному и ошибочному характеру реальных данных.
Процедуры обучения могут контролироваться или не контролироваться. Нейронные сети ИИ — это системы, «вдохновленные» биологическими нейронами и способностью мозга обрабатывать информацию массово параллельно. Эти системы способны приобретать знания экспериментально и правильно реагировать на новые случаи (рис. 1).
Современные модели принятия решений на базе нейросетей
Традиционные модели принятия решений помогают объяснить факторы достижения желаемого результата, а ИИ-модели обучаются, опираясь на сведения об отклонении желаемого результата от фактического.
По ряду направлений (машинное и глубокое обучение) удалось добиться значительного прогресса и разработать новые алгоритмы для автоматизации диагностики заболеваний глаз [11, 12], включая скрининг глаукомы на основе цветных изображений глазного дна [13, 14] и ОКТ-данных [15, 16].
В свою очередь, формирование математической модели глаукомы и точное автоматическое обнаружение заболевания остается важной задачей и таким же важным шагом в устранении неопределенности, связанной с ожиданием заболевания (например, в случае с подозрением на глаукому), а также в дальнейшем понимании природы болезни и структурировании всей совокупности ее возможных причин [17]. В целом выделяют три типа ИИ. Узкий (слабый)
Сработает ли иммунотерапия? Искусственный интеллект предскажет
Учёные обучают нейросети на полученных с помощью компьютерной томографии изображениях больных раком лёгких, чтобы с большей уверенностью прогнозировать, будет ли химиотерапия успешной и выиграют ли пациенты от применения дорогостоящей иммунотерапии.
Различия в КТ-сканах до и после иммунотерапии
- «Несмотря на то, что иммунотерапия полностью изменила всю экосистему рака, она остаётся чрезвычайно дорогой — около 200 тысяч долларов США на пациента в год», — рассказывает Анант Мадабхуши (Anant Madabhushi), чей центр вычислительной визуализации и персонализированной диагностики стал в последнее время одним из мировых лидеров в области обнаружения, диагностирования и характеризации различных раковых и иных заболеваний путём комплексного применения медицинской визуализации и машинного обучения.
- Только 20% онкологических больных сегодня фактически выигрывают от иммунотерапии по сравнению с химиотерапией, однако, из-за дороговизны первой, могут очень быстро потерять все свои сбережения, не получив ожидаемого прогресса в лечении.
- Искусственный интеллект, натренированный на множестве КТ-изображений, сделанных при первой постановке диагноза «рак лёгких» и, затем, после первых двух-трёх циклов иммунотерапии, обнаруживает некие ещё неизвестные специалистам закономерности, позволяющие в результате уже по первому изображению с хорошей точностью дать прогноз о том, будет ли иммунотерапия успешной.
«Это исследование, кажется, действительно отражает что-то важное о самой биологии заболевания, о его более или менее агрессивном фенотипе, — поясняет Анант Мадабхуши, — И это информация, которой пока нет в распоряжении онкологов».
Любопытно, что, помимо важного прогноза об эффективности, иммунотерапии, с помощью ИИ стало возможно более точно оценивать также и фактическую эффективность уже проведённой терапии.
«Это важный момент, потому что, когда врач на основании одной только КТ делает вывод, ответил ли пациент на терапию, его решение чаще всего зависит от размера поражения, — рассказывает Мохаммадхади Хоррами (Mohammadhadi Khorrami), один из ведущих авторов нового исследования.
— Мы обнаружили, что изменение структуры является лучшим показателем того, работает ли терапия. Иногда, например, узелок может выглядеть больше после терапии, но по другой причине, например, из-за повреждённого сосуда внутри опухоли — но терапия, на самом деле, работает.
Теперь у нас есть способ установить это».
Для обучения ИИ сначала использовались КТ-сканы 50 пациентов с раком лёгких, прошедших курс иммунотерапии.
Следующим шагом будет обучение и тестирование программы на изображениях, полученных из других источников и отражающих воздействие различных стратегий иммунотерапии.
Также, в сотрудничестве с Нью-Йоркским университетом и Йельским университетом вычислительный центр Мадабхуши обучает ИИ для прогнозирования того, какие пациенты выиграют от адъювантной химиотерапии, на основании изображений срезов ткани.
Работа учёных опубликована в журнале Cancer Immunology Research.
Ссылка на источник
Для повышения эффективности вакцин применят искусственный интеллект — РБК
Как намерены повысить эффективность вакцин
По словам Ольги Кардымон, институт займется улучшением иммунологических свойств S-белка, выступающего основным компонентом большинства вакцин от коронавируса.
Первый блок работ сводится к тому, чтобы сделать его более привлекательным для антител, способных остановить вирус.
Для этого в институте разработали компьютерный дизайн S-белка, в который специально внесли несколько мутаций, чтобы зафиксировать в том положении, в каком он наиболее доступен для нейтрализующих вирус антител.
Вторая разработка института — использование NLP-подхода (обработка естественного языка), который определяет участки белков вируса, распознающиеся иммунной системой. В институте обучают модель, чтобы, во-первых, она определяла, где на поверхности S-белка находятся такие участки.
Затем система определяет, вызывают ли они иммунный ответ. В-третьих, в институте предполагают, что такую модель в будущем можно использовать, чтобы оценить, влияют ли отдельные мутации в отдельных положениях на связывание с антителами.
Прогнозируя появление таких «злых» мутаций, которые в определенных местах будут влиять на связывание антител с поверхностью вируса, появится возможность попробовать создать дизайн белка, где негативный эффект будет компенсирован.
«Мы надеемся, что в результате вакцины станут более эффективными в случае появления новых мутаций и штаммов. На разработку новых вакцин в лабораториях будет уходить меньше времени», — рассказала Ольга Кардымон.
Насколько перспективна работа
Директор по развитию компании RNC Pharma Николай Беспалов назвал описанную институтом работу «сугубо научной, причем в очень узком направлении».
«Фактически они сформировали программный алгоритм, который в теории позволяет найти наиболее эффективные для связывания с антителами участки белка.
Причем сейчас этот алгоритм только обучается, никаких гарантий, что он будет работать эффективно, нет, тем более нет никаких оснований предполагать, что эта экспериментальная работа сможет позволить решить какие-то медицинские задачи в обозримой перспективе», — рассуждает он.
Николай Беспалов подчеркнул, что пока речь идет не об этапе создания препарата, а о предшествующей этому стадии компьютерного дизайна: «Я бы даже не называл это сейчас разработкой In silico (компьютерное моделирование, симуляция эксперимента, чаще биологического.
— РБК); это скорее попытка заняться этой работой».
В то же время, отметил он, «неплохо», что такая работа вообще проводится: как минимум люди учатся, формируют материально-техническую и программную базу для работы, а если технология действительно будет разработана, есть шансы, что она будет использоваться и в реальной работе.
Гендиректор компании DSM Group Сергей Шуляк отметил, что искусственный интеллект для разработки молекул используется давно.
«С точки зрения вакцин такое уже делают в Европе, в частности есть разработка полностью синтетической вакцины, имитирующей S-белок.
То, что делает Институт искусственного интеллекта AIRI, напоминает этот подход, но, несмотря на то что технология не новая, она может положить начало к созданию новой платформы для создания вакцин», — рассуждает он.
По словам управляющего партнера аналитической компании Marketing Logic Дмитрия Галкина, описанное решение «выглядит как реальная помощь в исследованиях, так как обученные модели нейросетей действительно способны гораздо быстрее человека находить по заданным параметрам необходимые участки белковой структуры (равно как и любой другой структурированной информации) и проверять, подходят ли они для проверки гипотезы». «Результатом такого исследования, например, может быть список потенциально интересных для проверки в лабораторных условиях совпадений. Таким образом, ученые будут иметь дело не с миллионами или тысячами потенциальных вариантов, а с десятками, что гораздо легче проверить опытным путем, то есть для дальнейшей работы останутся самые перспективные варианты», — пояснил он. По словам Дмитрия Галкина, похожим образом фармкомпании разрабатывают новые лекарства.
Глава MTC AI Александр Ханин согласен, что такое тестирование позволяет «условно отсортировать, например, различные варианты белка (белков) на высокоэффективные и низкоэффективные».
«Это должно в идеале ускорить разработку лекарств и вакцин, так как можно будет сфокусироваться только на высокоэффективных вариациях.
Плюс за счет моделирования можно будет в идеале повысить устойчивость к появлению новых штаммов, так как можно будет заранее к ним подготовиться еще на этапе создания вакцины или лекарства», — отметил он.
Ии научился прогнозировать осложнения при диабете — газета.ru | новости
Российские ученые разработали новый подход исследования молекулярных путей развития осложнений при сахарном диабете.
Используя технологии искусственного интеллекта и математического моделирования, авторы воссоздали сложную сеть взаимодействий между генами, участвующими в развитии этого заболевания, а также сопутствующих осложнений.
Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале International Journal of Molecular Sciences.
Резкое изменение уровня глюкозы в крови при сахарном диабете повышает риск развития сосудистых и неврологических заболеваний.
Когда возникает состояние гипергликемии, то есть концентрация сахара в крови повышается на протяжении длительного времени, в организме начинают происходить различные разрушительные процессы, такие как окислительный стресс, воспаление, патологическое образование новых сосудов и повреждение имеющихся.
Прием специальных препаратов помогает сбалансировать содержание глюкозы, но, если человек вводит их неправильно, подвергается физическому перенапряжению или недоедает, может возникнуть противоположное состояние – гипогликемия, при котором уровень сахара в крови сильно снижен. В этом случае ткани начинают испытывать голодание.
Прежде всего страдает головной мозг, поскольку его работа требует большого количества энергии. У здоровых людей организм активирует защитные механизмы, предотвращающие нарушения: клетки печени начинают более активно высвобождать глюкозу в кровь, а поджелудочная железа снижает синтез гормона инсулина, который удаляет сахар из крови.
У людей, больных диабетом и принимающих лекарства для снижения уровня глюкозы, эти механизмы не работают, при этом чаще всего из-за того, что лекарства продолжают действовать. В результате наблюдаются резкие перепады: ткани то страдают от переизбытка сахара, то голодают.
При этом молекулярные механизмы воздействия таких перепадов на разные органы человека до конца не изучены.
«В этой работе мы воссоздали систему генов, продукты которых участвуют в процессах, связанных с избыточной вариабельностью гликемии, гипогликемией, сосудистыми и неврологическими осложнениями сахарного диабета.
В этом нам помогла программа ANDSystem — инструмент, разработанный в Институте цитологии и генетики СО РАН.
Он проанализировал тексты научных статей, посвященных изучению молекулярных путей развития диабета и связанных с ним недугов и осложнений», — рассказывает руководитель проекта по гранту РНФ Вадим Климонтов, доктор медицинских наук, профессор РАН.
Исследовательская группа из Научно-исследовательского института клинической и экспериментальной лимфологии — филиала Института цитологии и генетики СО РАН (Новосибирск) предложили использовать искусственный интеллект, чтобы объяснить, на какие метаболические пути влияют гипо- и гипергликемия, а также какие заболевания они могут спровоцировать.
Для этого ученые использовали систему ANDSystem, которая анализировала тексты научных статей и распознавала в них названия генов, участвующих в исследуемых процессах. Затем ANDSystem строила систему связей между обнаруженными генами.
Это помогло реконструировать генные сети гипо- и гипергликемии и сердечно-сосудистых осложнений, вызванных диабетом, каждая из которых содержала сотни генов и тысячи взаимодействий между ними.
Проанализировав такие взаимодействия, ученые выявили молекулярные изменения и обменные процессы, которые при резких колебаниях уровня глюкозы или гипогликемии могут вызвать нарушения работы клеток почек, сердца, сосудов, а также нервной системы.
«В результате наша гипотеза подтвердилась — влияя на активность многих генов и интенсивность физиологических процессов, высокая вариабельность уровня глюкозы, а также гипогликемия могут играть важную роль в развитии сосудистых заболеваний, связанных с диабетом, а также когнитивной дисфункции.
В будущем полученные нами данные помогут найти ключевые молекулы, отвечающие за поражения органов при диабете, и определить новые мишени для терапии», — отметил Вадим Климонтов.
Беспилотники, med-tech и нейросети: как искусственный интеллект изменил мир в 2021 году и что будет дальше — Будущее на vc.ru
Собрали для вас главные ИИ-события уходящего года, ссылки на полезные статьи и прогнозы на будущее.
{«id»:341413}
2021 год — время онлайн-коммуникаций во всех сферах. Привычными стали не только заказ такси и пиццы в приложении, но и врачебные консультации, подбор сотрудников из разных городов, экскурсии по новостройкам через экран смартфона.
Это не просто изменения на период пандемии — это новая реальность. Поэтому все больше компаний признает необходимость адаптации процессов к новой среде, или цифровой трансформации. В этом им помогает искусственный интеллект: с каждым месяцем в России реализуют все больше ИИ-проектов.
В этой статье мы, команда Cleverbots, хотим подвести итоги 2021 года и поделиться с вами интересными фактами о внедрении технологий, цифрами исследований и достижениями нашего сообщества. А затем заглянуть в будущее, где роботы умнее, а люди — свободнее.
Рост рынка разговорного ИИ на 46-93% в год
Компания Just AI провела исследование российского рынка разговорного ИИ и спрогнозировала его развитие до 2025 года. В 2021 году в этом сегменте работает более 100 компаний, многие из которых растут на 200-400% в год. Объем рынка — $44 млн или $76 млн с учетом госзаказов. Ежегодный рост составляет 46-93%, а с 2015 года отрасль прибавила 1288%.
Востребованность чат-ботов в финансовой сфере, телекоме и ритейле
2/3 запросов в финансовой сфере, телекоме и ритейле России уже обрабатывают роботы.
Самые эффективные виртуальные ассистенты — у «Тинькофф Банка», «Почта Банка» и Сбербанка, интернет-магазинов Ozon,«Сима-ленда» и «Утконос», операторов связи МТС, «МегаФон» и Tele2.
Лучшие чат-боты готовы в режиме 24/7 предоставлять клиентам персональную информацию, подключать услуги, консультировать по продуктам и составлять обращения.
Неспрогнозированный рост сегмента NLP-технологий
В 2020 и 2021 году технологии обработки естественного языка (Natural Language Processing, или NLP) получили дополнительную динамику развития.
Это связано с удешевлением вычислений и ростом вложений в эту область со стороны крупных компаний. В итоге эксперты пересмотрели ожидания от рынка NLP-решений.
Так, в 2019 году Research and Markets прогнозировал рост его объёма к 2026 году до $28,6 млрд, а в 2021 году скорректировал эту цифру до $35,1 млрд.
Повышение интереса к ИИ со стороны инвесторов
Один из трендов 2021 года — рекордное финансирование ИИ-стартапов.
Произошло два первых IPO компаний (Initial Public Offering — первичное публичное размещение акций), занимающихся открытием новых лекарств с помощью умных алгоритмов, а также IPO для компаний в области инфраструктуры данных и кибербезопасности. Инвестиции в ИИ-стартапы сегодня составляют 2/3 инвестиций в SAAS-стартапы (программное обеспечение по подписке).
Лояльность к ИИ российских предпринимателей
26,1% российских предпринимателей готовы доверить ИИ общение с клиентами и работу с отзывами, показал опрос «Платформы больших данных». 23% поручили бы умным технологиям управление ассортиментом, 22,1% — задачи персонального ассистента, 17,4% — управление продажами, 13,1% — увольнение сотрудников.
При этом 22% опрошенных предпринимателей готовы безоговорочно довериться выводам алгоритмов. Это решение они аргументируют точностью математических моделей и big data. 21,8% респондентов отводят ИИ роль консультанта.
Развитие русскоязычной версии нейросети GPT-3
В конце 2020 года «Сбер»анонсировал свою версию нейросети GPT-3, представленной в мае компанией OpenAI. В отличие от американской предшественницы, модель ruGPT-3 доступна для бесплатного использования стартапами, разработчиками, учеными и фанатами технологий. Доступно публичное API и онлайн-демо.
Самая большая нейросеть для русского языка способна генерировать тексты почти на любую тему, причем довольно качественно. В июне бренд-бюро Sixth Sense и команда Cleverbots провели эксперимент, который показал, что 50% специалистов сферы маркетинга не могут отличить текст ИИ от работы копирайтера.
В 2021 году развитие нейросети продолжили. За несколько месяцев количество её параметров выросло почти вдвое: с 760 млн до 1,3 млрд, а в конце года Сбер вслед за OpenAI научил ИИ писать код. Специалисты планируют, что в будущем система сможет трансформировать в код алгоритм, сформулированный обычной речью.
Появление нейросети, которая создает изображения по описанию на русском языке
«Сбер» не ограничился генератором текстов и запустил нейросеть ruDALL-E, которая создает изображения по описанию на русском языке. Инженеры обучили алгоритм на 120 млн пар «текст-изображение». Заказать картинку может любой желающий, причем приложение Сбера «Салют» генерирует ее быстрее и качественнее, чем веб-версия сервиса.
Запуск первых беспилотников в небе, на земле и воде
Ключевая сфера применения беспилотников в 2021 году — доставка небольших грузов. Роботы-курьеры «Яндекса» начали привозить жителям столичного района Хамовники заказы из «Азбуки вкуса», «Вкусвилла», кафе и ресторанов.
Компании стали использовать и летающие грузовые беспилотники. Так, «Почта России» протестировала автономный мини вертолет, который преодолел свыше 50 км, и планирует запустить такую доставку в четырех северных регионах.
Испытывает дроны и Wildberries, причем дальность их полета — 300 км.
Получили развитие и другие типы беспилотников. Так, в Санкт-Петербурге спустили на воду первый в России автономный корабль, который будут использовать для проведения научных изысканий в акваториях Черного и Азовского морей. Инновационное судно может функционировать без экипажа до пяти суток.
Продолжение тренда регистрации ИИ-решений как медицинских изделий
В декабре 2020 года Росздравнадзор зарегистрировал платформу для обработки медицинских изображений Botkin.AI, способную анализировать КТ, МРТ, маммографические и рентгеновские снимки. ИИ может выявлять изменения в легких, похожие на воспалительный, онкологический или туберкулезный процесс. Botkin.
AI не единственное ИИ-решение, зарегистрированное как медицинское изделие.
В 2021 году удостоверения получили нейросетевая система для диагностики COVID-19 по данным компьютерной томографии Care Mentor, платформа для анализа рентгенографических изображений «Цельс» и программный модуль для анализа флюорограмм и рентгенограмм грудной клетки «Третье мнение».
Из подобных мировых разработок стоит отметить нейросеть для обнаружения меланомы, которую создали ученые MIT. Система анализирует подозрительные пигментные пятна и может повысить эффективность выявления рака кожи.
Активное использование ИИ в медицине и фармацевтике