第二場是AI應用於藥物開發,毒物測試,由國衛院生藥所的童俊維博報告。近兩年FDA不再要求藥物在人體試驗前一定要做動物實驗,也可以電腦模擬,器官晶片和3D列印身體部位的方式來代替。利用生成式對抗網路(GAN)的模式,有138種藥物經過資料訓練後,就可以準確預測38種生化和病理的數據資料,不用再對動物打藥抽血。同樣的方法也可以預測第一期臨床試驗的安全性,而在食品和化學品檢驗方面,過去都要查驗FDA文獻資料庫,相當耗費人力時間,而AI 可以智慧的摘取龐大資料庫中相當關鍵或是經常被引用的資訊。在化學品的毒物資訊上,過去要從它的物理化學性質,體內細胞膜的穿透,蛋白質的結合,以及體外和體內的毒性測試,再到人體的副作用進行試驗。經過AI多工學習,轉移學習,可以來預測例如過敏性皮膚炎的致敏原的毒性機轉和路徑,比傳統動物研究正確率高(74% vs 95%),而且使用少量的訓練資料即可。化學品的指紋也是可以做辨識的資訊,例如農藥用類似的指紋結構特徵來推估其危害,一樣可減少動物的毒物試驗。對癌症,生殖毒性也是如此。國衛院也開發一個化學物-疾病的電腦關係系統供各界使用,用證據加權的模式來評估毒性高低,列出優先關心的毒物,並預測其致癌性。對新藥開發的命中率比化學師的人為評估提高。建立自動機器學習的平台來協助研究者找出最適當的AI評估方法預測模式,以及化學結構來預測生物活性或是毒性,乃至孤兒藥的3D基因結構建構等都已經可以執行。

什麼是 GAN?

生成式對抗網路 (GAN) 是一種深度學習架構。它訓練兩個神經網路來彼此競爭,從指定的訓練資料集中產生更真實的新資料。例如,您可以從現有的影像資料庫中產生新影像,或從歌曲資料庫中產生原始音樂。GAN 之所以被認為具有對抗性,是因為它可以訓練兩個不同的網路並使它們相互對抗。一個網路採取輸入資料範例,並儘可能多地修改來產生新資料。另一個網路會嘗試預測產生的資料輸出是否屬於原始資料集。換言之,預測網路確定產生的資料是虛假還是真實。系統會產生較新的改進版假資料值,直至預測網路無法再區分虛假資料與原始資料。

Loading

AI應用於藥物開發

發佈留言