Datele pharma ridică predicțiile AI la 52.1%

Modelele de inteligență artificială învață din exemple, iar performanța lor crește atunci când au acces la date relevante. Principiul se aplică atât predicțiilor privind interacțiunea dintre moleculele unui medicament și proteine, cât și recunoașterii faciale sau traducerii automate. În cercetarea farmaceutică, însă, unele dintre cele mai valoroase exemple rămân în bazele de date ale companiilor, inaccesibile sistemelor AI publice.

Un consorțiu format din AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson și Takeda susține că a găsit o metodă prin care firmele pot folosi împreună aceste date, fără ca vreuna dintre ele să-și dezvăluie fișierele. La testele realizate de consorțiu, modelul rezultat a avut rezultate net superioare versiunii inițiale, antrenate pe date publice. Concluziile trebuie însă privite cu prudență: nici modelul, nici datele de testare și niciun studiu evaluat de alți cercetători nu au fost publicate (Nature).

Cum poate fi antrenat un model fără centralizarea datelor

Punctul de plecare a fost OpenFold3 Preview 2, un sistem open-source care estimează modul în care proteinele și moleculele mici, asemănătoare celor folosite în medicamente, se aranjează împreună în spațiul tridimensional. În termeni simpli, modelul încearcă să prezică atât forma unei încuietori, cât și felul în care cheia se potrivește în ea (OpenFold3 repository).

În loc să reunească structurile celor cinci companii într-o singură bază de date, fiecare firmă a antrenat local câte o copie a modelului, folosind propriile informații. Către un coordonator central au fost transmise numai ajustările numerice învățate de model, nu și înregistrările moleculare din care proveneau acestea. Compania berlineză Apheris a coordonat procesul prin platforma open-source de învățare federată dezvoltată de NVIDIA, iar laboratorul condus de Mohammed AlQuraishi la Columbia University a furnizat expertiza privind modelul. Consorțiul afirmă că a folosit 40 de procesoare grafice NVIDIA H100, distribuite între cinci infrastructuri corporative distincte (Apheris, Nature).

Structurile brute au rămas în spatele sistemelor de securitate ale companiilor. Consorțiul nu a publicat însă dovezi formale că ajustările transmise între participanți nu ar putea dezvălui informații despre datele de antrenare, un risc teoretic cunoscut al învățării federate.

Ce au adus structurile private

Consorțiul a antrenat modelul pe 20.167 de structuri private ale unor complexe proteină–medicament și l-a testat pe un set separat de 1.056 de structuri, de asemenea proprietare (Apheris). Principalul indicator a măsurat proporția cazurilor în care aranjamentul medicament–proteină estimat de model reproducea îndeaproape structura observată experimental. Modelul federat a obținut rezultate de calitate ridicată în 52,1 % dintre teste, față de 35,6 % pentru versiunea inițială OpenFold3 și 40,9 % pentru Boltz-2, un alt model deschis important (Apheris, Nature).

Un model de control, antrenat exclusiv pe date publice actualizate, nu a obținut o îmbunătățire comparabilă. Consorțiul consideră că rezultatul arată că structurile private conțin informații predictive care lipsesc din bazele de date accesibile publicului (Apheris).

Explicația posibilă ține de compoziția datelor. Protein Data Bank este o bază vastă, dar reflectă în mare măsură proteinele pe care laboratoarele universitare au ales să le cerceteze. Colecțiile companiilor farmaceutice conțin mai frecvent serii sistematice în care aceeași țintă biologică este analizată în combinație cu numeroși candidați înrudiți pentru medicamente, ceea ce permite surprinderea variațiilor fine de legare relevante pentru proiectarea moleculelor (Nature, C&EN). Consorțiul mai afirmă că modelul federat a depășit toate modelele antrenate de companii separat, rezultat compatibil cu ipoteza că reunirea indirectă a datelor a adus un avantaj.

Ce nu poate fi verificat de cercetătorii independenți

Consorțiul nu a depus încă un manuscris pentru publicare. Parametrii numerici învățați de model, structurile folosite pentru evaluare și predicțiile individuale nu sunt disponibile cercetătorilor din afara proiectului. Nu au fost publicate nici intervale de încredere, nici teste statistice, iar setul de referință a fost construit și evaluat de aceleași organizații care au dezvoltat sistemul (Nature).

Lipsa verificării independente este relevantă și din cauza unei probleme deja documentate. Cercetările grupului PoseBusters au arătat că predicțiile altor modele AI pentru structuri moleculare pot părea apropiate geometric de structura de referință, deși plasează atomii în configurații imposibile fizic, inclusiv prin legături formate la unghiuri care nu apar în molecule reale (PoseBusters). Nu se știe dacă predicțiile AISB trec aceste verificări.

Testul măsoară capacitatea modelului de a reconstrui aranjamente experimentale deja cunoscute. Nu arată dacă metoda ajută la identificarea unor compuși care se leagă efectiv de ținta lor într-un organism viu și nici dacă aceștia sunt siguri. O poziție moleculară prezisă corect îi poate ajuta pe chimiști să aleagă ce substanțe să cerceteze în continuare, dar consorțiul nu a raportat rezultate obținute în etapele ulterioare ale dezvoltării vreunui medicament.

Proiectul MELLODDY, la care au participat zece companii, demonstrase anterior că învățarea federată poate îmbunătăți predicțiile privind proprietățile moleculelor, chiar atunci când datele aparțin unor concurenți din industria farmaceutică (MELLODDY). AISB aplică același principiu predicției structurilor tridimensionale. Pentru ca avantajul anunțat să poată fi confirmat dincolo de evaluarea controlată de consorțiu, este nevoie de publicarea studiului și de suficiente date verificabile pentru teste independente.