0
據雷鋒網消息，近日，來自莫斯科物理科技學院（MIPT）,InSilico Medicine和 Mail.Ru集團的研究人員首次將生成神經網絡（generative neural network ）應用在研發擁有特定醫療屬性的藥物上。這種用生成對抗網絡（Generative Adversarial Networks ，GANs）發展、訓練新的分子結構的方法，能大幅度減少尋找有潛在藥物特性物質的時間和其他成本。研究人員表示，將把該技術應用在腫瘤、心血管疾病甚至抗感染等多個醫療領域。（雷鋒網此前曾在《硬創公開課》中和大家分享過有關GANs的原理、應用和走向等內容，詳情請點擊這里）
無機分子基（ inorganic molecule base）包含數億種物質，但其中只有少數能被人類應用在醫療領域。研究人員用藥理學方法研制藥物通常會基于前人的研究成果。例如，阿司匹林很早以前就已經被用作藥物，但藥理學家以后還會基于當下的成果繼續研究它，為該化合物增加其他成分以減少它的副作用、提高藥效。今年早些時候，來自 Insilico Medicine的科學家向公眾展示了用深層神經網絡減少搜索藥物范圍的有效性。但如今他們正面臨著一個新的挑戰：是否能用大量分子結構去訓練深層神經網絡，然后讓該網絡創造一種概念上的新型分子？
生成對抗自動編碼器（Generative Adversarial Autoencoder ，AAE）結構是GANs的延伸。研究人員把它作為基礎，加上已知的醫療特性和有效濃度，將之用在訓練神經網絡上。研究人員會把和所需化合物相關的信息輸入到網絡中，網絡對其進行調整后會輸出類似的數據。 網絡由三個部分構成：編碼器，解碼器和鑒別器。其中每一個在與另兩個“協作”中都有自己特定的角色。 編碼器與解碼器一起壓縮、恢復母化合物的信息，而鑒別器則使壓縮后的信息更適于恢復。 當網絡已經學習過大量已知分子結構后，編碼器和鑒別器則會結束工作狀態，網絡就能用解碼器自動生成對分子的描述。
開發基于文本輸入而生成高質量圖像的生成式對抗網絡，需要擁有豐富的專業知識，并且要在高性能計算設備上進行長時間的訓練。 對于生成圖像和視頻而言，研究人員則可以快速判斷生成質量如何。但在生物學中，質量控制不僅不能通過“看”來解決，并且還需要大量的驗證實驗來產生大分子。
在系統中，所有分子均表示為“SMILEs”或化學物質圖形注釋（雷鋒網注：graphical annotations of chemical substances，目的是它們的結構能儲存在系統中）的形式呈現。學校里教授的標準注冊（standard registration）不適于網絡處理。SMILEs也是如此，因為它們的長度是隨機的。而神經網絡訓練需要一個相等的描述長度的向量。這時候，分子“指紋”便能解決這個任務，因為它包含關于分子的完整信息。
該技術的其中一個研究人員Andrei Kazennov，和在Insilico Medicine工作的MIPT研究生評論說：
“我們創造了一個生殖類型的神經元網絡，也就是說它能夠生成訓練它類似的東西，最終教會該網絡模型根據指定的屬性創建新的分子“指紋”。
另外，也可以把抗癌藥物數據庫用于網絡檢查。 首先，網絡用其中一半的藥物化合物信息進行訓練，然后再檢查另一部分。目的是讓它預測已學習過，但在訓練時未包含在內的化合物。結果是網絡識別出了69種預估化合物。
Mail.Ru集團搜索優化團隊首席程序員、Insilico醫學獨立科學顧問Artur Kadurin總結道。
“GANs是神經科學領域相當前沿的研究領域。很明顯，與生成圖像、音樂相比，它的應用范圍更廣。我們已經在生物信息學中嘗試了這種方法，并且獲得了巨大的成果。“
via：dddmag
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
