ترکیب هوش مصنوعی مولد و محاسبات کوانتومی برای تسریع در کشف دارو

این مطالعه در 13 مه در انجمن شیمی آمریکا منتشر شد مجله اطلاعات شیمیاییInsilico Medicine (“Insilico”)، یک شرکت کشف دارو مبتنی بر هوش مصنوعی (AI) در مرحله بالینی، امروز اعلام کرد که دو فناوری به سرعت در حال توسعه، محاسبات کوانتومی و هوش مصنوعی مولد را ترکیب کرده است تا کشف نامزد اصلی در توسعه دارو را کشف کند و با موفقیت نشان دهد. مزایای بالقوه شبکه های متخاصم مولد کوانتومی در شیمی مولدعمل و مدلسازی، یک مجله پیشرو در مدل‌سازی محاسباتی، توسط مراکز تایوان و امارات متحده عربی Insilico رهبری می‌شود که بر پیشگامی و ساخت روش‌ها و موتورهای پیشرفت با فناوری‌های در حال توسعه سریع – از جمله هوش مصنوعی مولد و محاسبات کوانتومی – برای تسریع در کشف و توسعه دارو تمرکز می‌کنند. این تحقیق توسط مدیر کنسرسیوم شتاب دهی دانشگاه تورنتو، Alán Aspuru-Guzik، دکترا، و دانشمندانی از موسسه تحقیقاتی Hon Hai (فاکسکان) پشتیبانی شد.

این همکاری بین المللی یک پروژه بسیار سرگرم کننده بود. همزمان با کشف دارو، زمینه را برای پیشرفت های بیشتر در هوش مصنوعی فراهم می کند. این یک همکاری جهانی است که در آن Foxconn، Insilico، Zapata Computing و دانشگاه تورنتو با هم کار می کنند.”

Alán Aspuru-Guzik، مدیر کنسرسیوم شتاب و استاد علوم کامپیوتر و شیمی در دانشگاه تورنتو

شبکه‌های متخاصم مولد (GANs) یکی از موفق‌ترین مدل‌های مولد در کشف و طراحی دارو هستند و نتایج قابل‌توجهی را برای تولید داده‌هایی که از توزیع داده‌ها در وظایف مختلف تقلید می‌کنند، نشان داده‌اند. مدل کلاسیک GAN از یک ژنراتور و یک تفکیک کننده تشکیل شده است. مولد نویزهای تصادفی را به عنوان ورودی می گیرد و سعی می کند از توزیع داده ها تقلید کند و تمایز دهنده سعی می کند بین نمونه های جعلی و واقعی تمایز قائل شود. یک GAN تا زمانی آموزش داده می شود که متمایز کننده نتواند داده های تولید شده را از داده های واقعی تشخیص دهد.

در این مقاله، محققان مزیت کوانتومی در کشف داروی مولکولی کوچک را با جایگزینی هر بخش از MolGAN، یک GAN ضمنی برای نمودارهای مولکولی کوچک، با یک مدار کوانتومی متغیر (VQC)، گام به گام، از جمله به عنوان مولد نویز، ژنراتور با روش پچ و تمایز کوانتومی، عملکرد آن را با همتای کلاسیک مقایسه می‌کند.

این مطالعه نه تنها نشان داد که GAN‌های کوانتومی آموزش‌دیده می‌توانند با استفاده از VQC به‌عنوان مولد نویز، مولکول‌هایی شبیه مجموعه آموزشی تولید کنند، بلکه مولد کوانتومی از GAN کلاسیک در خواص دارویی ترکیبات تولید شده و معیار هدفمند بهتر عمل می‌کند. علاوه بر این، این مطالعه نشان داد که تمایز کوانتومی GAN با تنها ده‌ها پارامتر قابل یادگیری می‌تواند مولکول‌های معتبر تولید کند و از نظر ویژگی‌های مولکول تولید شده و امتیاز واگرایی KL از همتای کلاسیک با ده‌ها هزار پارامتر برتری دارد.

محاسبات کوانتومی به عنوان پیشرفت فناوری بعدی شناخته می شود که تأثیر زیادی خواهد داشت و اعتقاد بر این است که صنعت داروسازی جزو اولین موج صنایعی است که از پیشرفت بهره می برند. این مقاله اولین ردپای Insilico را در محاسبات کوانتومی با هوش مصنوعی در تولید مولکولی نشان می‌دهد و بر دیدگاه ما در این زمینه تأکید می‌کند.

جیمی ین-چو لین، دکترا، GM Insilico Medicine تایوان و نویسنده مسئول مقاله

با تکیه بر این یافته‌ها، دانشمندان Insilico قصد دارند مدل ترکیبی GAN کوانتومی را در Chemistry42، موتور تولید مولکول‌های کوچک اختصاصی این شرکت، ادغام کنند تا روند کشف و توسعه دارو مبتنی بر هوش مصنوعی را تسریع و بهبود بخشند.

Insilico یکی از اولین کسانی بود که از GAN ها در طراحی مولکولی نو استفاده کرد و اولین مقاله را در این زمینه در سال 2016 منتشر کرد. این شرکت 11 کاندیدای پیش بالینی را توسط مدل های هوش مصنوعی مولد مبتنی بر GAN ارائه کرده است و برنامه اصلی آن در فاز اول تایید شده است. آزمایشات بالینی

الکس ژاورونکوف، دکترا، موسس و مدیر عامل Insilico Medicine، گفت: “من به نتایج مثبتی که تیم محاسبات کوانتومی ما با تلاش ها و نوآوری های خود به دست آورده اند، افتخار می کنم.” “من معتقدم این اولین قدم کوچک در سفر ما است. ما در حال حاضر روی یک آزمایش پیشرفت با یک کامپیوتر کوانتومی واقعی برای شیمی کار می کنیم و مشتاقانه منتظر به اشتراک گذاشتن بهترین شیوه های Insilico با صنعت و دانشگاه هستیم.”