¿Hay ejemplos de organizaciones de ciencias de la vida que logren resultados en el descubrimiento de drogas a través del aprendizaje automático que no serían posibles sin el aprendizaje automático?

El juez Schonfeld (Medicina basada en evidencia en tiempo real) anunció en noviembre de 2015 que su grupo había descubierto que un medicamento contra el cáncer también podría usarse para tratar el ébola.

Esto lleva al mundo del descubrimiento de drogas mediante el reposicionamiento de drogas – Wikipedia. La idea básica es que hay muchos medicamentos que han superado los ensayos de fase 3 (es decir, no te matan directamente, se sabe la dosis y tienen un efecto no mortal en el cuerpo) y todos estos medicamentos tienen efectos secundarios (El ejemplo más famoso es Sildenafil – Wikipedia, que originalmente se usó para tratar la hipertensión arterial pulmonar, pero luego se descubrió que trataba la disfunción eréctil y se renombró como viagra).

Entonces, coloca todos estos medicamentos en una base de datos y ejecuta algoritmos para ver si se pueden usar para tratar afecciones que no sean el objetivo principal. Esta es un área de interés activo, ya que el 25% de la mayoría de los ingresos de las compañías farmacéuticas provienen de productos reutilizados (Exclusividad de mercado de la reutilización, reposicionamiento y rescate de medicamentos, Parte III, utilizando propiedad intelectual y vías reguladoras).

Hay muchas maneras de hacer esto en muchos niveles diferentes (p. Ej., [1502.02072] Redes multitarea masivas para el descubrimiento de fármacos). Sin embargo (sospecho), la mayor parte de este trabajo se realiza internamente a las compañías farmacéuticas, ya que están más interesadas en aprovechar su propia cartera de medicamentos, no en curar una enfermedad usando el medicamento de otra persona.

Todavía no, de todos modos, no todo el camino para el uso clínico. Dudo que el aprendizaje automático haga posible el descubrimiento de drogas que era “imposible”. Lo más probable es que el aprendizaje automático o el aprendizaje profundo aumenten la velocidad o la especificidad de un examen de drogas. Seleccione 50 compuestos para verificar entre 8 millones en lugar de probar los 8 millones. Uno de los más interesantes, pero de ninguna manera el único: Presentación de AtomNet – Diseño de fármacos con redes neuronales convolucionales – Atomwise

Actualización: he hablado con algunas de las personas de Atomwise y es posible que la aplicación de aprendizaje profundo sugiera cualquier molécula que se ajuste a un objetivo, incluso aquellas que pueden no existir en la realidad o que nunca se han sintetizado. Esto no es de gran utilidad, ya que hay enormes bibliotecas de compuestos ya aprobados o al menos compuestos con farmacocinética y toxicidad conocidas, nadie pagará por todo el trabajo para sintetizar y probar un compuesto completamente nuevo. Es demasiado loco y costoso poner el esfuerzo en moléculas completamente novedosas, al menos por ahora.

Hasta donde yo sé: las compañías farmacéuticas usan software de visualización molecular como AutoDock Vina. Actualmente, se basan únicamente en la experiencia humana y la intuición humana para descubrir nuevos medicamentos. Actualmente están investigando métodos de aprendizaje automático para descubrir nuevos medicamentos. … Ver la respuesta de Ian.

More Interesting

Mi algoritmo de ML, escrito en Python, está casi completo. Quiero que sea un sitio web. ¿Cuál es la mejor manera de conectar mi script Python a Meteor?

¿Se puede utilizar el análisis semántico latente para la clasificación de documentos?

Cómo comenzar a aprender ciencia de datos y convertirse en un maestro en ello

¿Alguien puede responder a estas preguntas relacionadas con la competencia de kaggle?

¿Es esta tabla Hoja de trucos de Machine Learning (para scikit-learn) una descripción precisa de cuándo se deben aplicar diferentes técnicas de aprendizaje automático?

¿Cuál es su proceso para diseñar funciones de pérdida para problemas de Machine Learning?

Cómo usar la red neuronal

¿Cómo funciona el mecanismo de atención de múltiples cabezas en el aprendizaje profundo?

En el aprendizaje profundo, ¿son el "aprendizaje incremental" y el "aprendizaje de transferencia" el mismo enfoque?

¿Cuáles son los pros y los contras comparativos de usar Python, MATLAB / Octave y R para el análisis de datos y el aprendizaje automático?

¿Existe alguna directriz para diseñar redes neuronales en términos de número de capas ocultas, número de unidades ocultas, tamaño de filtro (CNN) y paso de tiempo (RNN)?

¿Qué requisitos previos debe tener para aprender la teoría de las redes neuronales artificiales?

¿Cuáles son algunos de los mejores trabajos de investigación o libros para el aprendizaje automático?

¿Qué habilidades de programación / habilidades informáticas debo aprender si quiero especializarme en visión por computadora y aprendizaje automático?

¿Cuáles son algunos de los temas candentes que se están investigando actualmente en la escucha de máquinas / procesamiento de audio?