13.12.2018
инновации биотехнологий

Инновации в сфере здравоохранения — начинается эра инженерной биологии

Рейтинг:  5 / 5

Звезда активнаЗвезда активнаЗвезда активнаЗвезда активнаЗвезда активна
 

Задумывались ли вы над тем, какие медицинские инновации ожидают человечество с учетом быстрых достижений в области машинного обучения и с наступлением новой эры, которой достигла биология, когда человечество выходит за пределы науки и переходит к биологической инженерии?

Предлагаем адаптированный перевод мысли Виджея Панде (Vijay Pande) – биомедика, профессора химии, структурной биологии и информатики Стэнфордского университета, опубликованной на сайте американского венчурного фонда Andreessen Horowitz.

Призрак технического долга

Кошмарный сон любого программиста, что иногда превращается в ужасающую реальность, – приобщиться к выполнению проекта или присоединиться к организации, где уже существует и используется программное обеспечение с запутанной структурой и непродуманной архитектурой, которое создавали с десяток лет, так называемый «технический долг». Чтобы довести его до ума и обеспечить нормальное функционирование необходимы огромные ресурсы времени и множество средств. Не думайте, что технический долг в мире программистов – это единичное явление. О нем знают все и каждый: десятки лет технического долга стали причиной «Проблемы 2000 года» компилированного языка программирования Кобол (COBOL) (также называемый «проблема Y2K» или «Y2K-совместимость» – проблема возможной неправильной работы ПО в связи с переходом с 1999 на 2000 год); не один год с техническим долгом боролась социальная сеть MySpace, и сегодня, как стартапы, так и устоявшиеся компании вынуждены постоянно работать с устаревшими кодами.

И все же кошмар программиста нельзя сравнить с кошмаром в области биологии, ведь «технический долг» этой науки достигает тысячелетий. В течение последних нескольких миллиардов лет эволюция создает собственную версию MVP – минимального, жизнеспособного продукта, который год за годом поставляется «пользователям» и применяется на практике, однако никогда не перерабатывается. Этот набор данных каким-то образом работает, поскольку биология на всех уровнях – от молекулярного и нано до макро – характеризуется определенной «антихрупкостью», свойством, когда «устойчивые элементы противостоят потрясением и остаются неизменными». Впрочем, такая характеристика биологии также создает настоящий беспорядок, и стоит понимать, что беспорядок – это проблема, которую человечеству необходимо решить, если мы хотим улучшать собственные тела, собственный жизненный цикл, собственное здоровье.

Упрощение как результат человеческих ограничений

По сути биология всегда была сосредоточена на понимании технического долга. Хотя многие биологи наслаждаются огромной сложностью поля, они, к сожалению, не понимают, что сложность существенно ограничивается из-за ограничения человеческого мозга. Мы даже не можем визуализировать, не говоря уже понять, как, например, сложная сеть тысяч белков взаимодействует с тысячами релевантных мутаций. Такая неслыханная сложность в системах, построенных людьми; мы можем считать систему с семью степенями свободы «матерью всех сложных человеческих систем», но биология даже простейших организмов превосходит эту систему на множество порядков.

Человеку свойственно упрощать вещи, таким образом, «преодолевая» наши человеческие ограничения в понимании и изучении сложности. Просто взгляните на линейную, иерархическую концепцию биологии, которую мы изучаем и используем: молекулы в белках, белки в клеточном механизме, клеточные механизмы в клетках, клетки в тканях и ткани в органах, органы в организмах, организмы в нишах, ниши в экосистемах, экосистемы в планетах, планеты в солнечных системах, солнечные системы в галактиках и тому подобное. Эта иерархия, очевидно, указывает на то, как природа рассматривает эволюцию и изменения, а также помогает человеку понять те вопросы, которые хорошо согласуются с природными биологическими иерархиями.

Но что происходит, когда мы наталкиваемся на что-то слишком сложное, слишком нелинейное и слишком взаимосвязанное, чтобы уместиться в такие линейные рамки? Когда сама природа не предоставляет нам иерархической структуры, ее искусственное наложение на процессы приводит к чрезмерному упрощению, что в свою очередь ограничивает понимание естественной биологической сложности, на которой эти процессы основываются. И это, в свою очередь, ограничивает возможности того, как мы можем использовать биологию для лучшей жизни. Мы создали такой огромный технический долг, что потеряли преимущества и возможности понимания сложности основополагающего кода. Добавьте к этому еще и все то, что мы упрощаем, поскольку вообще не понимаем, или, что еще хуже, не знаем, не знаем. Поскольку мы не понимаем причинно-следственные связи, мы можем утверждать, что рак молочной железы возникает из-за мутации гена BRCA. Но все ли мутации BRCA являются онкогенными, то есть приводят к возникновению раковых опухолей? Ведь часто в ответ на вредные мутации возникают компенсаторные мутации в других белках, чтобы сбалансировать вредные последствия. Даже старая хорошо известная центральная догма биологии про цепочку переноса генетической информации «ДНК -> РНК -> белки» сегодня воспринимается как значительно сложнее, поскольку стало понятно, что ДНК, РНК и белки взаимодействуют между собой нелинейными способами.

Сравните такое изменение в понимании биологических процессов с переходом от аналоговых устройств к цифровым, и осознайте, что теперь мы можем иметь не только более четкое представление о том, что происходит (особенно если речь идет о болезни), но также имеем возможность применить машинное обучение в биологии. К примеру, в геномике геном похож на сетку пикселей в измерении 1-D. А что случится, когда мы посмотрим на него не с одного измерения, а из нескольких?

Машинное обучение и искусственный интеллект

По определению машинное обучение справляется с той самой сложностью, с которой не может справиться наш человеческий разум. Конечно, компьютер может осуществлять сложные расчеты за пределами возможностей человека, но речь идет не про скорость и точность, речь о том, что компьютеры уже учатся и понимают.

Машинное обучение в простейшей форме можно описать как форму регрессии или алгоритм подбора кривой, когда компьютер получает учебные данные, а затем на основе этого создает предполагаемую математическую модель. Даже когда регрессии становятся все более сложными (нелинейными функциями, несколькими параметрами и тому подобное), человеку все равно надо сначала понять, что является ключевыми переменными (или функциональными возможностями в машинном обучении), чтобы компьютер смог построить прогностическую модель с их использованием. Если человек не определит эти функциональные возможности, компьютер не будет способным достичь цели даже с бесконечным количеством данных. А что произойдет, когда компьютер больше не будет нуждаться в такой помощи человека? Поскольку области искусственного интеллекта, глубокого обучения и машинного обучения неуклонно развивались в течение последних нескольких десятилетий, мы, возможно, наконец-то дожили до дней перехода от фантастических расчетов до фактического интеллекта.

Новые алгоритмы могут определять и выводить основные функциональные возможности непосредственно с данных, иногда даже основываясь на весьма ограниченных данных, таким образом, углубляя наше понимание и выводя его на новые уровни. Такой искусственный интеллект может определить соответствующие степени свободы в построении моделей и включить много разрозненных признаков, избегая риска чрезмерной аппроксимации. Система может использовать принцип логики, называемый «Лезвие Оккама», или принцип простоты, согласно которому не надо делать больше предположений, чем минимально нужно, и таким образом избежать ложных выводов. Именно в таких случаях машинное обучение действительно становится искусственным интеллектом и становится глубинным обучением. Глубинное обучение уже изменило многие области, к примеру, распознавание изображений, что стало ключом к изменению эффективности лечения. Развитие этой отрасли уже повлиял на рентгенологію, диагностику, выявление рака, часто конкурируя с умениями человека и потенциально превышая их.

Как все эти достижения помогают разгадать сферу биологии и выйти за рамки человеческого разума и унаследованного технологического долга? Проанализируем биомаркеры, которые определяют наличие некоторых заболеваний или других изменений в организме. Поскольку традиционные биомаркеры, используемые в клинических испытаниях, основанных на ограниченном человеческом подходе к пониманию человеческого тела, уровень их точности достаточно низкий. Но теперь благодаря машинному обучению и искусственному интеллекту мы можем определить новые биомаркеры, о которых мы даже не знали раньше, например, маркеры процесса старения. Когда мы можем выйти за рамки человеческих догадок, чтобы действительно понимать биологию, мы получаем гораздо большую силу предвидения. А установление более точных диагнозов приводит к лучшему здравоохранению. Классическим примером является тест на выявление гена KLK3 для диагностики рака предстательной железы. Точность этого теста составляет лишь около 50%, что приводит к огромному количеству ложных положительных результатов. Впрочем, опираясь на более сложные черты, подходы глубинного обучения могут выходить за пределы действующих известных биомаркеров для изучения пространства, например, анализируя более общий и расширенный иммунный ответ организма на возникновение раковых клеток. Опираясь на предел человеческих исследований и понимание, наука не может знать без проверки, как выглядит такой иммунный ответ, а алгоритм глубинного обучения – может. Это именно явление характерно для машинного и глубокого обучения, который применяется и к другим медицинским вопросам, к примеру, болезней сердца.

Добро пожаловать в новую эру инженерной биологии

Впервые технический долг биологии может быть определен, понятен и даже переделан. И это происходит в то время, когда картирования генов стало относительно недорогим. В сочетании с достижениями в области искусственного интеллекта (что также обусловлено подобными сокращениями расходов) перед нами открываются двери для новых применений биологии в области здравоохранения с беспрецедентной точностью.

Мы живем в новой эпохе науки, где эмпиризм заменяется инженерией. Что имеется в виду? Подумайте про любой мост, большой или малый, который вы видели: как и все мосты, он – сконструированный инженерами, поскольку человек точно знает, как строить мосты, и как строить их хорошо. Но в многих областях биологии мы еще не знаем, как строить вещи, поэтому вместо процесса конструирования мы открываем их эмпирически (гипотеза, тестирование, анализ, вывод). Когда-то так же строились мосты: в эпоху римской империи некоторые эксперименты по возведению мостов не удавались, некоторые прибегали. Человечество изучало, почему так произошло. И научилось. Это – эмпиризм. По сей день мы жили в подобной фазе биологии. Фармацевтическое развитие все еще называют «открытием медикаментов», поскольку процесс предусматривает много эмпирических испытаний бесчисленных вариантов, чтобы увидеть, какой из них будет работать, тестирований в лабораторных условиях, на животных и людях.

Но с пониманием биологического кода эти процессы изменятся. Так же, как программисты предпочитают начинать с нуля, когда речь идет про технический долг, биологи теперь могут создавать все с нуля. Представьте возможность строить биологические схемы со сложностью эволюции, но без технического долга. Это считалось невозможным до сих пор, но последние достижения в области биохимической инженерии создали множество белков, минимально взаимодействующие, которые позволяют новым схемам воспользоваться полезным клеточным механизмом, не нарушая его. Следующее задание, конечно, это конструирование этих схем в определенном направлении вместо их эмпирического тестирования.

Так какими являются практические и непосредственные последствия? К примеру, вместо классических дорогостоящих клинических испытаний фармацевтические компании теперь могут заменить теорию данными. Тем временем, с помощью цифровых терапий, пациенты и врачи могут добиться не только лучшей эффективности лечения таких заболеваний, как диабет, но и постоянно повышать эту эффективность. И мы можем идти еще дальше. Вся наша система здравоохранения сосредоточена на оплате лечения конкретных показаний заболеваний; что происходит, когда мы концентрируем внимание не на «определить», а на «почему предотвратить»? Представьте, здравоохранение может прежде всего заключаться в том, чтобы остановить всех нас от болезненности и предотвратить вред, в отличие от современной парадигмы «не навредить». По общему признанию, термин «предотвращение» напоминает о том, что мы должны делать, и все те анализы, которые мы должны сдать, но их точность слишком низкая, чтобы помочь. Мы можем сломать эти устаревшие барьеры с помощью более точных тестов (и без ложных результатов).

Мы сейчас вступаем в эпоху, где, казалось бы, полезная клятва Гиппократа должна быть изменена, поскольку в конечном итоге настоящая трансформация в отрасли здравоохранения будет происходить по перемещению акцента с «не навредить»/«не убить» на «делать правильно», то есть «предотвратить» и «исцелить». Обеспечить здоровье человека – это не просто лечить ее болезни (тем более, что здоровые люди, как правило, находятся вне медицинской системы до возникновения заболевания). Мы наконец готовы отойти от модели или пан или пропал, осуществив переход от удачных догадок эмпиризма до предполагаемой инженерной биологии. И ни один из этих процессов не исключает человека, а особенно врача, из процесса. Подобно тому, как люди построили другие инструменты, чтобы подтолкнуть себя вперед, – рентген, стетоскоп, ЭКГ, смартфон, применение искусственного интеллекта и машинного обучения – это еще один шаг к действительно смелому новому миру, где машины помогают нам стать лучшими людьми.

  1. Последние
  2. Популярные
Загрузка...

Новости технологий сегодня

Самые популярные метки