А что делает ИИ и что способен сделать в медицине? За пределами прямо лживых пресс-релизов про "открытие нового антибиотика за полтора часа".
На данный момент с помощью ИИ выполняют 4 принципиальных типа операций: 1️⃣ Поиск молекул с заданными свойствами в базе данных уже известных химических соединений – распознавание лиц в мире молекул. К этому сводится большинство экспериментов с ИИ, подбирающим молекулы по аналогии с теми, на которых производилось их обучение. Результат выдается за открытие, но, как мы видели на примере абауцина, практическая применимость близка к нулю.
2️⃣ Синтез “новых” препаратов путем перебора различных составных частей молекул. Работа по принципу Lego-конструктора из деталей, собираемого компьютерной моделью. Поражает аудиторию (и инвесторов) получением тысяч потенциальных лекарств за считанные минуты. Но прежде чем препарат попадет на прилавок аптеки, разработчикам нужно будет доказать, что "сконструированная" молекула действительно обладает заданным механизмом действия, безопасна и "воплотима в жизнь". Молекулы надо собирать не только на экране монитора, но и на фабрике. А с этим, как правило, проблемы.
3️⃣ Прогнозирование структуры белков. В 2021 г. было объявлено, что DeepMind от Google предсказал структуру 350 тыс. белков, включая 98,5% известных белков человека. Спустя год его база насчитывала уже более 200 млн белковых структур. Это в пресс-релизе. На практике, из 20 тыс. человеческих белков только для трети по оценкам самого алгоритма, структура была определена с точностью более 90%. Учитывая, что в случае с белками "пространственная конфигурация = эффективность" расхождение оценки ИИ с реальностью означает заведомую ошибочность оценки в двух третях случаев. И самое главное, определить ошибается ли ИИ в структуре конкретного белка или нет может лишь человек в ходе громоздких опытов. DeepMind, как и любой другой ИИ, учится на данных, собранных людьми вручную, определяя неизвестные ему белки “по аналогии”. Но кристаллографические исследования, с помощью которых ученые анализируют их структуру, требуют много времени и ленег, из-за чего не так много подтвержденных данных в этой области.
4️⃣ Поиск новых мишеней. Сюда входит выявление корреляций между заболеванием и определенными генами, опухолью и мутациями в ее клетках, конкретным видом рака и экспрессирующимися на поверхности клеток белками, которые могут служить мишенью для терапии. В качестве одного из примеров можно назвать алгоритм Insilico Medicine, которому принадлежит открытие потенциальных мишеней для лечения бокового амиотрофического склероза (в т.ч. 8 ранее неизвестных генов), различных форм рака, фиброза и анемии при ХБП. С помощью их же платформы двое школьников (!) смогли обнаружить 3 гена-мишени для лечения глиобластомы, а ученые из Мюнхена идентифицировали 2 таргетных белка для лечения острого миелоидного лейкоза с помощью CAR-T терапии. До этого CAR-T не могла применяться против этой формы лейкоза, поскольку на поверхности его раковых клеток отсутствует белок CD19, который служит стандартной мишенью. ИИ смог выявить подходящие для терапии белки, характерные именно для ОМЛ, среди 25 тыс. других белков клеточной мембраны.
Теоретически (и этого все ждут и всем обещают) конечная цель ИИ в медицине - создание таких видов терапии, разработка которых оказалась не под силу людям: новых подходов, позволяющих взглянуть на лечение заболеваний под другим углом. Ближе всех к этой цели подошли модели, созданные в рамках четвертого подхода, но и они все равно повторяют стереотипные действия, которым их обучили. А значит, ИИ можно рассматривать в качестве инструмента, помогающего обрабатывать массивы данных, ждать от него “сверхчеловеческих” достижений в создании лекарств не стоит.
Сознательно не упоминаю сонм моделей по "определению ковида\инсульта\инфаркта\рака по МРТ\кардиограмме\рентгену" (их уже сотни) и так далее. Это просто средство лишить врачей денег и рабочих мест, не способное создать новой ценности кроме заработка авторам алгоритмов и их покровителей-чиновников в принципе.
А что делает ИИ и что способен сделать в медицине? За пределами прямо лживых пресс-релизов про "открытие нового антибиотика за полтора часа".
На данный момент с помощью ИИ выполняют 4 принципиальных типа операций: 1️⃣ Поиск молекул с заданными свойствами в базе данных уже известных химических соединений – распознавание лиц в мире молекул. К этому сводится большинство экспериментов с ИИ, подбирающим молекулы по аналогии с теми, на которых производилось их обучение. Результат выдается за открытие, но, как мы видели на примере абауцина, практическая применимость близка к нулю.
2️⃣ Синтез “новых” препаратов путем перебора различных составных частей молекул. Работа по принципу Lego-конструктора из деталей, собираемого компьютерной моделью. Поражает аудиторию (и инвесторов) получением тысяч потенциальных лекарств за считанные минуты. Но прежде чем препарат попадет на прилавок аптеки, разработчикам нужно будет доказать, что "сконструированная" молекула действительно обладает заданным механизмом действия, безопасна и "воплотима в жизнь". Молекулы надо собирать не только на экране монитора, но и на фабрике. А с этим, как правило, проблемы.
3️⃣ Прогнозирование структуры белков. В 2021 г. было объявлено, что DeepMind от Google предсказал структуру 350 тыс. белков, включая 98,5% известных белков человека. Спустя год его база насчитывала уже более 200 млн белковых структур. Это в пресс-релизе. На практике, из 20 тыс. человеческих белков только для трети по оценкам самого алгоритма, структура была определена с точностью более 90%. Учитывая, что в случае с белками "пространственная конфигурация = эффективность" расхождение оценки ИИ с реальностью означает заведомую ошибочность оценки в двух третях случаев. И самое главное, определить ошибается ли ИИ в структуре конкретного белка или нет может лишь человек в ходе громоздких опытов. DeepMind, как и любой другой ИИ, учится на данных, собранных людьми вручную, определяя неизвестные ему белки “по аналогии”. Но кристаллографические исследования, с помощью которых ученые анализируют их структуру, требуют много времени и ленег, из-за чего не так много подтвержденных данных в этой области.
4️⃣ Поиск новых мишеней. Сюда входит выявление корреляций между заболеванием и определенными генами, опухолью и мутациями в ее клетках, конкретным видом рака и экспрессирующимися на поверхности клеток белками, которые могут служить мишенью для терапии. В качестве одного из примеров можно назвать алгоритм Insilico Medicine, которому принадлежит открытие потенциальных мишеней для лечения бокового амиотрофического склероза (в т.ч. 8 ранее неизвестных генов), различных форм рака, фиброза и анемии при ХБП. С помощью их же платформы двое школьников (!) смогли обнаружить 3 гена-мишени для лечения глиобластомы, а ученые из Мюнхена идентифицировали 2 таргетных белка для лечения острого миелоидного лейкоза с помощью CAR-T терапии. До этого CAR-T не могла применяться против этой формы лейкоза, поскольку на поверхности его раковых клеток отсутствует белок CD19, который служит стандартной мишенью. ИИ смог выявить подходящие для терапии белки, характерные именно для ОМЛ, среди 25 тыс. других белков клеточной мембраны.
Теоретически (и этого все ждут и всем обещают) конечная цель ИИ в медицине - создание таких видов терапии, разработка которых оказалась не под силу людям: новых подходов, позволяющих взглянуть на лечение заболеваний под другим углом. Ближе всех к этой цели подошли модели, созданные в рамках четвертого подхода, но и они все равно повторяют стереотипные действия, которым их обучили. А значит, ИИ можно рассматривать в качестве инструмента, помогающего обрабатывать массивы данных, ждать от него “сверхчеловеческих” достижений в создании лекарств не стоит.
Сознательно не упоминаю сонм моделей по "определению ковида\инсульта\инфаркта\рака по МРТ\кардиограмме\рентгену" (их уже сотни) и так далее. Это просто средство лишить врачей денег и рабочих мест, не способное создать новой ценности кроме заработка авторам алгоритмов и их покровителей-чиновников в принципе.
BY ВИРУСНАЯ НАГРУЗКА
Warning: Undefined variable $i in /var/www/group-telegram/post.php on line 260
The account, "War on Fakes," was created on February 24, the same day Russian President Vladimir Putin announced a "special military operation" and troops began invading Ukraine. The page is rife with disinformation, according to The Atlantic Council's Digital Forensic Research Lab, which studies digital extremism and published a report examining the channel. That hurt tech stocks. For the past few weeks, the 10-year yield has traded between 1.72% and 2%, as traders moved into the bond for safety when Russia headlines were ugly—and out of it when headlines improved. Now, the yield is touching its pandemic-era high. If the yield breaks above that level, that could signal that it’s on a sustainable path higher. Higher long-dated bond yields make future profits less valuable—and many tech companies are valued on the basis of profits forecast for many years in the future. Also in the latest update is the ability for users to create a unique @username from the Settings page, providing others with an easy way to contact them via Search or their t.me/username link without sharing their phone number. The regulator said it has been undertaking several campaigns to educate the investors to be vigilant while taking investment decisions based on stock tips. DFR Lab sent the image through Microsoft Azure's Face Verification program and found that it was "highly unlikely" that the person in the second photo was the same as the first woman. The fact-checker Logically AI also found the claim to be false. The woman, Olena Kurilo, was also captured in a video after the airstrike and shown to have the injuries.
from ar
