Машинное обучение робота может упростить разработку лекарств

Тестирование недавно разработанных препаратов занимает чрезвычайно много времени, и может быть трудно получить на него права. Теперь команда ученых из Университета Карнеги-Меллона нацелилась на упрощение задачи, создавая систему, управляемую роботами, которая в состоянии уменьшить количество тестов на целых 70 процентов.

При работе над новым препаратом ученые должны определить его последствия для того, чтобы это было эффективное, а не вредное лечение для пациентов. Это чрезвычайно трудоемкий процесс, и просто не практично проводить эксперименты для каждой возможной совокупности биологических условий.

Вот где нужны новые роботизированные системы. Они используют машинное обучение, чтобы выбрать, какие эксперименты проводить, используя шаблоны в данных, чтобы точно предсказать результаты экспериментов, фактически не выполняя их.

Система способна проводить отдельные эксперименты на себе, с использованием роботов, обрабатывающих жидкость, и автоматизированного микроскопа. Ее способности были испытаны в исследовании для определения последствий 96 препаратов на 96 выращенных клеточных клонах млекопитающих, содержащих различные флуоресцентно-меченные белки. В общей сложности было возможно 9216 экспериментов, каждый из которых участвует в тестировании эффектов препарата, смешивая его с нужной клеткой.

Машина начала с изображения всех 96 клеток, идентифицируя местоположение белка в нем.

Эффекты каждого препарата были затем записаны таким же образом, причем алгоритм машинного обучения медленно определял шаблоны в местоположении белков, известные как фенотипы.

Путем объединения подобных изображений, машина смогла идентифицировать потенциальные новые фенотипы без помощи со стороны исследователей. Когда было собрано больше данных, она была использована для формирования прогнозной модели, угадывая исходы неизмеренных экспериментов.

В общей сложности автоматизированной системой было проведено 30 раундов тестирования, завершив 2697 тестов из 9216 возможных. Остальные результаты были предсказаны машиной с точностью 92 процента.

Исследователи полагают, что их работа доказывает, что методы машинного обучения являются жизнеспособными для использования в медицинском тестировании, и могут иметь большое влияние на практические и финансовые вопросы, с которыми сталкиваются на местах.

"Непосредственная задача будет заключаться в использовании этих методов для снижения стоимости достижения целей крупных проектов, таких как Атлас генома рака, который направлен ​​на ускорение понимания молекулярной основы рака с технологий анализа генома", - сказал старший автор Роберт Ф. Мерфи.