Το Facebook στρέφεται στην ιατρική έρευνα με τη βοήθεια της τεχνητής νοημοσύνης

Το εργαστήριο τεχνητής νοημοσύνης του Facebook (FAIR) προσπαθεί να διδάξει σε μηχανές πώς να σκέφτονται σαν τους ανθρώπους. Αυτό σημαίνει ότι το σύστημα θα μπορεί να πάρει μια δεξιότητα ή μια πληροφορία και να τις χρησιμοποιήσει για να δημιουργήσει κάτι εντελώς νέο. Πάρτε για παράδειγμα το μαγείρεμα.

«Όταν μαθαίνουμε πώς να μαγειρεύουμε, αρχικά μαθαίνουμε μερικές απλές συνταγές τις οποίες μετά μπορούμε να τις εξελίξουμε», λέει ο David Lopez-Paz, ερευνητής στο εργαστήριο του Facebook στο Παρίσι. Μπορεί να μην ξέρετε πώς να φτιάξετε μια σάλτσα, αλλά αν ξέρετε πώς να φτιάξετε μια σούπα, τότε μπορείτε πιθανώς να τα καταφέρετε. Τα μηχανήματα όμως δεν μπορούν ακόμη». Αυτή είναι η «συνθετική μάθηση».

Για να εξελίξει την τεχνητή νοημοσύνη, η ομάδα AI του Facebook στρέφεται όλο και περισσότερο στην ιατρική καθώς έχει ένα απεριόριστο φάσμα πολύπλοκων προβλημάτων που χρειάζονται επίλυση.

Το πιο πρόσφατο έργο του περιλαμβάνει μια συνεργασία με το γερμανικό εργαστήριο Helmholtz Zentrum München, το οποίο ερευνά την εξατομικευμένη ιατρική. Μαζί, οι δύο ομάδες ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης που μπορεί να προβλέψει, σε διάφορους βαθμούς αποτελεσματικότητας, πώς συνδυασμοί θεραπειών μπορούν να επηρεάσουν ένα μεμονωμένο κύτταρο. Η ελπίδα είναι ότι αυτό το πειραματικό μοντέλο ανοιχτού κώδικα θα βοηθήσει τους ερευνητές να μάθουν πώς να προσαρμόζουν τις θεραπείες σε ασθενείς, με βάση τον τρόπο με τον οποίο εκδηλώνεται η ασθένεια σε κυτταρικό επίπεδο.

Ο Lopez-Paz λέει ότι αυτό που τον προσέλκυσε σε αυτό το έργο ήταν το πλούσιο σύνολο δεδομένων και η ανάγκη συνδυαστικής ανάλυσης που θα βοηθούσε τις μηχανές του FAIR να μάθουν με έναν συνθετικό τρόπο.

«Μας ενδιαφέρει να προχωρήσουμε την έρευνα στην τεχνητή νοημοσύνη και για να το κάνουμε αυτό, ψάχνουμε πάντα για προκλήσεις με προβλήματα υψηλού αντίκτυπου», λέει ο Lopez-Paz. Ο Lopez-Paz άρχισε να συνεργάζεται με το εργαστήριο Helmholtz Zentrum München και τον ερευνητή Fabian Thies πριν από δύο χρόνια.

Ο Thies μελετά μεμονωμένα κύτταρα, ένα πεδίο γνωστό ως γονιδιωματική ενός κυττάρου, το οποίο επιδιώκει να προωθήσει την ανθρώπινη υγεία μέσω της αποκωδικοποίησης μεμονωμένων κυττάρων.

«Αυτό που κάνουμε είναι ουσιαστικά να καταλάβουμε πώς παίρνουν αποφάσεις τα κύτταρα», λέει ο Thies.

Μπορεί να ακούγεται περίεργο, αλλά ένα κύτταρο μπορεί να πει στους επιστήμονες πολλά για την υγεία ενός ατόμου. Ο καρκίνος, για παράδειγμα, μπορεί να ξεκινήσει με ένα μεταλλαγμένο γονίδιο σε ένα μόνο κύτταρο που πολλαπλασιάζεται. Οι επιστήμονες πιστεύουν ότι οι νέες γνώσεις σχετικά με ένα μεμονωμένο κύτταρο ή κύτταρα θα τους βοηθήσει να επινοήσουν καταλληλότερες θεραπευτικές αγωγές. Παραδοσιακά, οι ερευνητές έχουν αναλύσει τα κύτταρα σε μεγάλες ομάδες για να κατανοήσουν πώς λειτουργούν. Αλλά με τις πρόσφατες τεχνολογικές εξελίξεις, γίνεται πιο εύκολο να εξετάσουν τη σύνθεση ενός μεμονωμένου κυττάρου.

Από το 2015, οι επιστήμονες συγκεντρώνουν δεδομένα για μεμονωμένα κύτταρα μέσω μιας προσπάθειας που ονομάζεται The Cell Atlas. Οι Thies, Lopez-Paz και μια διεπιστημονική ομάδα ερευνητών σχεδίασαν το μοντέλο τεχνητής νοημοσύνης το οποίο θα διαχειρίζεται αυτό το μεγάλο σύνολο δεδομένων.

Οι ερευνητές αναμένουν από το σύστημα να τους πει πώς οι συνδυασμοί φαρμάκων σε συγκεκριμένες δόσεις θα επηρεάσουν ένα κύτταρο. Αυτό το κάνει για φάρμακα και θεραπείες, συμπεριλαμβανομένης της γονιδιακής επεξεργασίας με βάση την τεχνολογία CRISPR. Για το λόγο αυτό, όλες οι προβλέψεις του δεν είναι εξίσου ακριβείς.

Για παράδειγμα, το CRISPR βρίσκεται σε κλινικές δοκιμές ως θεραπεία για τη δρεπανοκυτταρική αναιμία, όπου επεξεργάζεται το γενετικό κώδικα που προκαλεί την ασθένεια. Το μοντέλο AI μπορεί να προσπαθήσει να υπολογίσει τον αντίκτυπο της χρήσης μιας θεραπείας με βάση το CRISPR και ενός δευτερεύοντος φαρμάκου σε έναν ασθενή. Αλλά επειδή το CRISPR είναι μια τόσο νέα τεχνολογία, δεν υπάρχουν αρκετά δεδομένα (ακόμη) για να καταλάβουμε πώς μια επεξεργασία μπορεί να επηρεάσει ένα κύτταρο, ειδικά σε συνδυασμό με μια άλλη θεραπεία.

Ωστόσο, λέει ο Thies, παρόλο που αυτές οι προβλέψεις βασίζονται σε περιορισμένα δεδομένα, εξακολουθούν να παρέχουν στους επιστήμονες άφθονα σημεία εκκίνησης για περαιτέρω έρευνα.

ΠΗΓΗ: Fast Company

ΤΕΛΕΥΤΑΙΑ ΝΕΑ

ΔΕΙΤΕ ΕΠΙΣΗΣ