Vertu želi, da voditelji plačajo 6880 dolarjev za AI agenta. Tako deluje.

Nedavna tekmovanje vrednotenje modela umetne inteligence, zasnovane za napovedovanje, kako človeško telo obdeluje zdravila, je pokazala, da večje, bolj zapletene AI sistemi ne dajo nujno boljše rezultate. Ugotovitve, objavljene po tekmovanju, ki je osredotočena na napovedovanje presnove zdravil skozi pregnane X receptorja (PXR), kažejo, da je področje AI-voden odkrivanje drog vstopa v novo fazo, eno, kjer učinkovitost in natančnost lahko prevladajo zgolj računalniške moči.

Tekmovanje, ki je testiralo modele umetne inteligence glede na njihovo sposobnost napovedovanja, ali bo kandidat za zdravilo v interakciji z receptorjem PXR, je poudarilo odmik od prejšnjega osredotočanja na reševanje velikih izzivov, kot je zložitev proteinov.

PXR receptor igra ključno vlogo pri presnovi zdravil. Ko se aktivira, sproži proizvodnjo encima, znanega kot CYP3A4, ki je odgovoren za razgradnjo približno polovice vseh trenutno trženih zdravil.

Tekmovanje je pritegnilo prijave iz več institucij in podjetij, ki delajo na modelih AI, prilagojenih za odkrivanje zdravil. Medtem ko so se nekatere ekipe odločile za obsežne nevronske mreže z milijoni parametrov, so druge razvile manjše, bolj specializirane algoritme. Presenetljivo je, da je bilo več najboljših modelov razmeroma skromnih v primerjavi s svojimi kolegi.

Raziskovalci, ki so sodelovali v tekmovanju, so poudarili, da rezultati odražajo vse večje razumevanje omejitev pristopov globokega učenja v farmakologiji. Mnogi najbolj uspešni modeli so vključevali znanje, specifično za domeno, kot so biokemične poti in molekularne interakcije, ki jih tradicionalni sistemi AI pogosto spregledajo. S povezovanjem teh informacij neposredno v svoje arhitekture so ti modeli pokazali večjo natančnost pri napovedovanju odzivov PXR kot čisto podatkovni pristopi.

Večji modeli, čeprav so močni, ponavadi delujejo kot črne škatle, zaradi česar znanstveniki težko razumejo, zakaj se izvedejo določene napovedi. Manjši modeli, zlasti tisti, ki so zasnovani z razložljivimi tehnikami AI, ponujajo jasnejši vpogled v proces odločanja. Ta preglednost je ključna v regulativnih okoljih, kjer odobritvene agencije zahtevajo podrobne utemeljitve za klinične odločitve, ki temeljijo na rezultatih AI.

Ta pristop je usklajen z širšimi trendi v AI, kjer so specializacija in učinkovitost vedno bolj cenjeni nad surovo računalniško zmogljivostjo. Za farmacevtska podjetja so posledice jasne: naložba v orodja AI, ki zagotavljajo natančne, interpretirane napovedi, bi lahko pospešila razvoj zdravil in zmanjšala stroške, povezane z neuspehi v pozni fazi.

Ta prizadevanja predstavljajo ključni trenutek pri vključevanju umetne inteligence v zdravstveno varstvo, kjer lahko praktični rezultati na koncu določijo uspeh tehnološkega napredka.