Частни данни повишиха точността на ИИ

Моделите с изкуствен интелект се учат от примери и резултатите им се подобряват, когато разполагат с повече данни, свързани с конкретната задача. Това важи както за разпознаването на лица и превода, така и за прогнозирането на взаимодействията между лекарствени молекули и протеини. При разработването на лекарства обаче част от най-ценните примери се пазят в базите данни на фармацевтичните компании и остават недостъпни за публичните системи с изкуствен интелект.

Консорциум от пет компании — AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson и Takeda — твърди, че е намерил начин да използва съвместно тези данни за обучение, без отделните участници да разкриват собствените си масиви. При тестове, проведени от самия консорциум, полученият модел се е представил значително по-добре от първоначалната версия, обучена с публични данни. Нито моделът, нито тестовият набор, нито рецензирана научна публикация обаче са достъпни (Nature).

Обучение на модел без обединяване на данните

За основа е използван OpenFold3 Preview 2 — система с отворен код, която прогнозира как протеините и малките молекули, наподобяващи лекарства, се разполагат една спрямо друга в триизмерното пространство. Най-просто казано, моделът предвижда едновременно формата на ключалката и начина, по който ключът влиза в нея (OpenFold3 repository).

Вместо структурните данни на петте компании да бъдат събрани в обща база, всяка от тях е обучила локално собствено копие на модела. Към централен координатор са изпращани единствено числовите корекции, научени по време на обучението, а не самите молекулни записи. Базираната в Берлин Apheris е управлявала процеса чрез отворената платформа на NVIDIA за федеративно обучение, а лабораторията на Мохамед Алкураиши в Columbia University е предоставила експертни знания за модела. По данни на консорциума са използвани 40 графични процесора NVIDIA H100 в пет отделни корпоративни среди (Apheris, Nature).

Първичните структурни данни са останали зад защитните системи на компаниите. Консорциумът обаче не е публикувал формални доказателства, че споделените корекции на модела не позволяват да се извлече информация за обучителните данни — известен теоретичен риск при федеративното обучение.

Какво добавят частните структурни данни

Консорциумът е обучил модела с 20 167 непублични структури на комплекси между протеини и лекарства и го е изпитал върху отделен частен набор от 1 056 структури (Apheris). Основният показател измерва колко често прогнозираното разположение на лекарството и протеина съвпада достатъчно точно с наблюдаваното при експеримент. Федеративният модел е постигнал резултат с високо качество в 52,1 % от тестовите случаи спрямо 35,6 % за първоначалния OpenFold3 и 40,9 % за Boltz-2, друг водещ отворен модел (Apheris, Nature).

Контролен модел, обучен само с обновени публични данни, не е постигнал подобно подобрение. Според консорциума това показва, че частните структурни данни съдържат информация с прогностична стойност, която липсва в общодостъпните масиви (Apheris).

Възможното обяснение е в състава на данните. Публичната Protein Data Bank е огромна, но отразява избора на протеини, които академичните лаборатории са решили да изследват. Според консорциума и външни специалисти корпоративните колекции по-често съдържат систематични серии, при които една и съща биологична мишена е съчетана с множество сродни кандидати за лекарства. Така се регистрират тъкмо фините разлики в свързването, които са важни при проектирането на молекули (Nature, C&EN). Консорциумът съобщава също, че федеративният модел е надминал всеки модел, обучен само с данните на една компания, което е съвместимо с тезата, че обменът между участниците носи допълнителна стойност.

Какво все още не може да бъде проверено отвън

Научна статия все още не е представена за публикуване. На външните изследователи не са предоставени научените числови параметри на модела, структурите от тестовия набор или отделните прогнози. Не са публикувани и доверителни интервали или статистически тестове. Освен това тестът е създаден и оценен от същите организации, които са разработили системата (Nature).

Тази липса на независима проверка е съществена заради вече установен проблем. Изследване на групата PoseBusters показва, че прогнози на други модели за структурен анализ могат привидно да са близки до референтната структура, но да поставят атомите във физически невъзможни конфигурации — например с ъгли между химичните връзки, които не се срещат в реални молекули (PoseBusters). Засега не е известно дали прогнозите на AISB издържат подобни проверки.

Самият тест измерва доколко моделът възстановява вече известни експериментални конфигурации. Той не показва дали системата помага да се открият съединения, които действително се свързват с мишената си в жив организъм, нито дали тези вещества са безопасни. Точната прогноза за разположението е полезна за химика, който избира кои съединения да изследва допълнително, но консорциумът не е представил резултати от последваща разработка на лекарства.

Проектът MELLODDY с участието на десет компании вече показа, че федеративното обучение може да подобри прогнозите за свойствата на молекулите, дори когато данните са разпределени между конкурентни фармацевтични дружества (MELLODDY). AISB прилага същия принцип към прогнозирането на триизмерни структури. За да се установи дали обявеното подобрение се запазва и извън контролираните от консорциума тестове, са необходими научна публикация и достатъчно достъпни данни за независима проверка.