Privatūs duomenys padidino AI tikslumą

Dirbtinio intelekto modeliai mokosi iš pavyzdžių, todėl jų rezultatai gerėja gavus daugiau konkrečiai užduočiai tinkamų duomenų. Tai galioja ir prognozuojant vaistinių medžiagų molekulių sąveiką su baltymais. Tačiau dalis vertingiausių vaistų kūrimo duomenų saugoma farmacijos bendrovių duomenų bazėse, kurių viešai prieinamos DI sistemos nepasiekia.

Penkių bendrovių – AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson ir Takeda – konsorciumas teigia radęs būdą bendrai mokyti modelį naudojant neviešus duomenis, nė vienai įmonei neatskleidžiant savo rinkmenų. Konsorciumo sudarytame vertinimo rinkinyje šis modelis gerokai pranoko pradinę, tik viešais duomenimis mokytą versiją. Vis dėlto nei pats modelis, nei bandymų duomenys, nei recenzuotas mokslinis straipsnis kol kas nepaskelbti (Nature).

Kaip mokyti modelį nesujungiant duomenų

Pagrindu pasirinktas OpenFold3 Preview 2 – atvirojo kodo modelis, prognozuojantis, kaip baltymai ir mažos, vaistinėms medžiagoms būdingos molekulės kartu išsidėsto trimatėje erdvėje. Paprastai tariant, jis mėgina numatyti ir spynos formą, ir tai, kaip joje įsitaiso raktas (OpenFold3 repository).

Užuot sujungusi visų penkių bendrovių struktūrinius duomenis vienoje bazėje, kiekviena įmonė savo aplinkoje mokė atskirą modelio kopiją. Centriniam koordinatoriui buvo perduodami tik mokymo metu apskaičiuoti skaitiniai modelio parametrų pakeitimai, bet ne pirminiai molekulių duomenys. Procesą koordinavo Berlyne įsikūrusi Apheris, naudojusi NVIDIA atvirąją federacinio mokymosi sistemą, o Kolumbijos universitete veikiančios Mohamedo AlQuraishi laboratorijos specialistai prisidėjo modelių kūrimo žiniomis. Konsorciumo duomenimis, penkiose atskirose bendrovių aplinkose naudota 40 NVIDIA H100 grafikos procesorių (Apheris, Nature).

Pirminiai struktūriniai duomenys liko už bendrovių užkardų. Tačiau konsorciumas nepateikė formalių įrodymų, kad bendrinami modelio parametrų pakeitimai negalėtų atskleisti informacijos apie mokymo duomenis. Tokia teorinė rizika federacinio mokymosi srityje žinoma.

Ką suteikė nevieši struktūriniai duomenys

Modelis mokytas naudojant 20 167 bendrovėms priklausančias baltymų ir vaistinių medžiagų kompleksų struktūras, o išbandytas su atskiru neviešu 1 056 struktūrų rinkiniu (Apheris). Pagrindinis rodiklis parodė, kaip dažnai modelio prognozuotas vaistinės medžiagos ir baltymo išsidėstymas tiksliai atitiko eksperimentiškai nustatytą struktūrą. Federacinis modelis aukštos kokybės rezultatą pasiekė 52,1 % bandymų, palyginti su 35,6 %, kuriuos pasiekė pradinis OpenFold3, ir 40,9 %, kuriuos surinko kitas pažangus atvirasis modelis Boltz-2 (Apheris, Nature).

Kontrolinis modelis, mokytas vien atnaujintais viešais duomenimis, tokio pagerėjimo neparodė. Konsorciumas tai vertina kaip įrodymą, kad neviešose struktūrose esama prognozėms naudingos informacijos, kurios viešuose šaltiniuose trūksta (Apheris).

Šį skirtumą galėtų paaiškinti duomenų pobūdis. Viešoji Protein Data Bank duomenų bazė didelė, tačiau jos turinį lemia akademinių laboratorijų pasirinktos tyrimų kryptys. Konsorciumo ir nepriklausomų komentatorių teigimu, farmacijos bendrovių rinkiniai dažniau apima nuoseklias tos pačios biologinės taikinio struktūros ir daugelio giminingų vaistinių medžiagų kandidatų serijas. Jose užfiksuoti nedideli jungimosi skirtumai, nuo kurių priklauso molekulių projektavimo sprendimai (Nature, C&EN). Konsorciumas taip pat nurodo, kad federacinis modelis pranoko kiekvieną atskirai vienos bendrovės duomenimis mokytą modelį, o tai atitinka prielaidą, jog skirtingų įmonių duomenų derinimas buvo naudingas.

Ko nepriklausomi tyrėjai kol kas negali patikrinti

Mokslinis straipsnis dar nepateiktas publikuoti. Nepriklausomiems tyrėjams neprieinami nei išmokti skaitiniai modelio parametrai, nei vertinimo rinkinio struktūros, nei pavienės prognozės. Taip pat nepaskelbti pasikliautinieji intervalai ar statistinių testų rezultatai, o vertinimo rinkinį sudarė ir rezultatus tikrino tos pačios sistemą kūrusios organizacijos (Nature).

Tai svarbu dėl žinomos tokių modelių problemos. PoseBusters grupės tyrimas parodė, kad kitų DI struktūrų prognozavimo modelių rezultatai gali atrodyti geometriškai artimi etaloninei struktūrai, nors atomai juose išdėstyti fiziškai neįmanomai, pavyzdžiui, cheminiai ryšiai sudaro tikrose molekulėse nepasitaikančius kampus (PoseBusters). Ar AISB prognozės atitinka šiuos fizikinio pagrįstumo kriterijus, nežinoma.

Pats vertinimo rinkinys rodo, kaip gerai modelis atkuria jau žinomas eksperimentines struktūras. Jis neparodo, ar modelis padeda atrasti junginius, kurie iš tiesų prisijungia prie biologinio taikinio gyvame organizme ir yra saugūs. Tiksli prognozuojama jungimosi padėtis gali padėti chemikui atsirinkti tolesniems tyrimams tinkamus junginius, tačiau konsorciumas nepateikė duomenų apie jokius vėlesnius vaistų kūrimo rezultatus.

Dešimties bendrovių projektas MELLODDY anksčiau parodė, kad federacinis mokymasis gali pagerinti molekulių savybių prognozes bendradarbiaujant konkuruojančioms farmacijos įmonėms (MELLODDY). AISB šį principą pritaikė trimačių struktūrų prognozavimui. Dabar konsorciumas turėtų paskelbti mokslinį straipsnį ir pateikti pakankamai patikrinamų duomenų, kad nepriklausomi tyrėjai galėtų įvertinti, ar nurodytas tikslumo padidėjimas išlieka ir už paties konsorciumo kontroliuojamo vertinimo ribų.