Искусственный интеллект будет играть важную роль в проектах цифровых двойников человеческого тела для создания нового поколения по-настоящему персонализированной и прогностической медицины. Искусственный интеллект, особенно машинное обучение, уже с некоторым успехом используется в медицине в различных контекстах, хотя возможности машинного обучения явно ограничены. Суррогаты ИИ также будут иметь решающее значение для виртуального человека. И, как мы отмечали ранее, сочетание ИИ и механистического понимания – большой ИИ – окажется гораздо более мощным, когда итерационный цикл позволит проверять гипотезы ИИ в симуляциях, основанных на физике, и использовать результаты физических методов для обучения ИИ[242]. Таким образом, влияние ИИ может быть трансформировано, не в последнюю очередь в проекте виртуального человека.
Большой ИИ, или машинное обучение на основе физики, уже представляет собой важное расширение обычного ИИ и широко используется от материаловедения до физики плазмы и цифровых двойников[243]. Например, в гидродинамике так называемое гибридное моделирование, сочетающее моделирование на основе физики и моделирование на основе данных, показало преимущества перед использованием моделей, основанных на чистой физике или машинном обучении[244]. В области разработки лекарств этот подход использовался, например, для прогнозирования устойчивости к противомикробным препаратам[245], классификации формы ферментов[246] и прогнозирования способа связывания белков с лекарствами-кандидатами с химической точностью[247].
В США платформа для разработки лекарств на основе искусственного интеллекта под названием ATOM является одной из целевых групп Cancer Moonshot. При поддержке фармацевтической компании GSK, лабораторий Министерства энергетики, Калифорнийского университета в Сан-Франциско и Национальной лаборатории исследования рака им. Фредерика, ATOM стремится интегрировать высокопроизводительные вычисления в передовые алгоритмы машинного обучения, чтобы быстро прогнозировать предположительно миллиарды вариантов лекарств. По словам Эрика Штальберга, директора отдела биомедицинской информатики и обработки данных лаборатории Фредерика, это может существенно сократить время и расходы на их изготовление и тестирование в лаборатории.
Штальберг стал пропагандистом использования высокопроизводительных вычислений после того, как у члена его семьи был диагностирован рак. Его поразил устойчивый разрыв между обещаниями передовых исследований и реальностью больничной помощи[248]. По его мнению, искусственный интеллект может помочь преодолеть этот разрыв. Например, чтобы спрогнозировать и оптимизировать эффективность потенциальных лекарств для конкретного пациента, ученые из Аргоннской национальной лаборатории будут обучать различные алгоритмы на данных об экспрессии генов и моделировать взаимодействие препарата с раковыми клетками на молекулярном уровне. Рик Стивенс из этой лаборатории, с которым мы встречались ранее, надеется, что ATOM «значительно изменит открытие лекарств».
В недавней работе с международной командой коллег, в том числе со Стивенсом, мы представили новый метод разработки лекарств in silico, использующий теоретические методы вместе с машинным обучением, чтобы сделать первые более ловкими, а второе более умным[249]. Одним из ключевых компонентов объединения ИИ и физического моделирования в рамках сложного рабочего процесса большого ИИ было «промежуточное программное обеспечение», разработанное Шантену Джа в Ок-Риджской национальной лаборатории и Университете Рутгерса в США.
Мы использовали этот гибридный подход для анализа нескольких миллионов соединений и применили его для перепрофилирования лекарств, найдя те, которые связываются с основной протеазой SARS-CoV-2, ферментом, который позволяет вирусу размножаться, и пока что получили обнадеживающие результаты[250]. Наш коллега Рик Стивенс возглавил американскую команду, которая использовала аналогичный подход большого ИИ, используя инфраструктуру суперкомпьютеров США для анализа более 6 миллионов молекул в поисках химического вещества под названием MCULE-5948770040, многообещающего ингибитора протеазы[251].
Хотя этот подход основан на итерациях между физическими методами и машинным обучением для оттачивания прогнозов, другой вид большого ИИ можно найти в облике так называемой нейронной сети, основанной на физике, или PINN, алгоритма глубокого обучения, разработанного Джорджем Карниадакисом и коллегами из Университета Брауна в Род-Айленде[252]. Этот алгоритм обучен и необходим для удовлетворения ряда основных физических ограничений, таких как законы движения, симметрии, сохранения энергии и термодинамики. PINN может отвечать на вопросы, когда данных недостаточно, и выводить неизвестные параметры. Короче говоря, PINN использует теорию для заполнения пробелов в данных и понимании – подход, который применялся, например, к динамике жидкостей и для улучшения моделей прогнозирования COVID-19[253].
Большой ИИ представляет собой веху в машинном обучении, которая находится где-то между нынешним поколением ИИ, обладающим сверхчеловеческими способностями, хотя и для очень узких сфер применения, и будущим общим ИИ, когда агент ИИ будет способен понимать или изучать многие интеллектуальные задачи, которые может выполнить человек. Карниадакис вместе с инженером из Стэнфорда Эллен Куль и коллегами утверждает: «Недавние тенденции предполагают, что интеграция машинного обучения и многомасштабного моделирования может стать ключом к лучшему пониманию биологических, биомедицинских и поведенческих систем», когда речь идет об усилиях по созданию цифровых двойников[254].
Когда наступит эра большого ИИ, мы ожидаем, что его влияние распространится далеко за пределы виртуального человека, где он поможет создавать более точные модели клеток, тканей и органов. Теория управления искусственным интеллектом будет иметь огромные последствия для всей науки и ознаменует собой важный шаг на пути к созданию общего искусственного интеллекта.
Теперь, когда мы сделали первые четыре шага, пришло время приступить к созданию виртуального двойника. Давайте рассмотрим необычайный диапазон компьютерных симуляций, от уровня молекул до всего тела, которые уже использовались в глобальном проекте по созданию виртуального человека.