Vertu želi da rukovodioci plaćaju 6.880 dolara za AI agenta. Evo kako on zapravo radi.

Nedavno natjecanje za evaluaciju modela umjetne inteligencije osmišljenih za predviđanje kako ljudsko tijelo obrađuje lijekove otkrilo je da veći, složeniji sustavi umjetne inteligencije ne daju nužno bolje rezultate.

Natjecanje, koje je testiralo modele umjetne inteligencije u odnosu na njihovu sposobnost predviđanja hoće li kandidat za lijek stupiti u interakciju s PXR receptorom, istaknulo je pomak od prethodnog fokusa na rješavanje velikih izazova kao što je savijanje proteina.

PXR receptor igra ključnu ulogu u metabolizmu lijekova. Kada se aktivira, pokreće proizvodnju enzima poznatog kao CYP3A4, koji je odgovoran za razgradnju otprilike polovice svih lijekova koji se trenutno plasiraju na tržište. Ako kandidat za lijek aktivira PXR prijevremeno, to može dovesti do brzog uklanjanja iz tijela ili opasnih interakcija s drugim lijekovima. Tradicionalno, razvijači lijekova prepoznaju ove probleme kasno u procesu razvoja, često zahtijevajući skupe revizije ili čak potpuno napuštajući obećavajuće spojeve.

Natjecanje je privuklo prijave iz više institucija i tvrtki koje rade na AI modelima prilagođenim otkrivanju lijekova. Dok su se neki timovi odlučili za velike neuronske mreže s milijunima parametara, drugi su razvili manje, specijaliziranije algoritme.

Istraživači uključeni u natjecanje naglasili su da rezultati odražavaju rastuće razumijevanje ograničenja pristupa dubokog učenja u farmakologiji. Mnogi od najbolje izvedenih modela uključili su znanje specifično za domen, kao što su biokemijski putevi i molekularne interakcije, koje tradicionalni AI sustavi često zanemaruju. Integriranjem ovih informacija izravno u svoje arhitekture, ovi modeli pokazali su veću točnost u predviđanju PXR odgovora nego čisto pristupa zasnovanih na podacima. Natjecanje je također naglašilo važnost interpretabilnosti u AI modelima koji se koriste za otkrivanje lijekova.

Veći modeli, iako moćni, imaju tendenciju funkcionirati kao crne kutije, što otežava znanstvenicima da razumiju zašto se određena predviđanja čine. Manji modeli, posebno oni dizajnirani s objašnjenim tehnikama umjetne inteligencije, ponudili su jasniji uvid u proces donošenja odluka.

Ovaj pristup usklađen je s širim trendovima u umjetnoj inteligenciji, gdje se specijalizacija i učinkovitost sve više vrednuju nad sirovim računalnim kapacitetom. Za farmaceutske tvrtke, implikacije su jasne: ulaganje u alate umjetne inteligencije koji pružaju točne, interpretirane predviđanja moglo bi ubrzati razvoj lijekova i smanjiti troškove povezane s neuspjehom u kasnoj fazi. Kako se polje nastavlja razvijati, očekuje se da će daljnja natjecanja i studije usavršavati kriterije za procjenu performansi umjetne inteligencije u metabolizmu lijekova. Istraživači već istražuju hibridne modele koji kombiniraju prednosti različitih pristupa, s ciljem uravnoteženja predvidljive točnosti s računalnom efikasnošću.

Ovi napori predstavljaju ključni trenutak u integraciji umjetne inteligencije u zdravstvenu zaštitu, gdje praktični rezultati mogu u konačnici odrediti uspjeh tehnološkog napretka.