Проблема старения и продолжительности жизни, а также многие другие направления в здравоохранении и медицине оперируют сейчас большими данными, и этих данных становится только больше. Для их анализа все чаще прибегают к искусственному интеллекту. Этим занимается множество крупных компаний и маленьких стартапов, но далеко не всем удается добиться успеха.
Как борцы со старением дошли до искусственного разума? И почему без этого не справиться? И почему только с этим не справиться?
2030-е годы могут стать поворотной точкой в истории человечества. В развитых странах, таких как США, впервые число людей в возрасте старше 65 может превысить количество граждан моложе 18 лет.
Неизбежная перестройка экономических и политических моделей станет причиной колоссального стресса для систем пенсионного и социального обеспечения. Риски смерти, а также вероятность развития хронических заболеваний (таких как диабет второго типа, рак и др.) и связанные с ними затраты быстро нарастают с возрастом и удваиваются каждые 8 лет. Это значит, результат почти любого медицинского вмешательства будет очень быстро нивелирован экспоненциальным ростом рисков других возрастных заболеваний. Если завтра появится таблетка, которая за один день излечивает от всех видов рака, продолжительность жизни людей увеличится всего на несколько лет. Люди, которые сейчас умирают от рака, начнут доживать до болезни Альцгеймера и других заболеваний, которые пока неизлечимы.
Вот почему важно бороться со старением, а не с каждым заболеванием по-отдельности. А это, в свою очередь, сложнейшая медицинская и инженерная задача
Хронические болезни и старение — очень медленные процессы. Для того чтобы разобраться с механизмами возникновения заболеваний и выявить факторы риска болезней в зависимости от самых разнообразных факторов среды, необходимо иметь возможность исследовать огромное количество людей в течении длительного времени.
Только недавно это стало вообще возможно: появились правительственные биобанки (например, UK Biobank), электронные истории болезней и результаты медико-биологических исследований в открытом доступе. Работа с такими большими данными — уже сама по себе сложная задача, требующая новейших средств машинного обучения (в том числе т.н. глубокого машинного обучения, или ИИ).
ИИ выполняет множество важных задач: помогает искать биомаркеры рисков заболеть и уже имеющихся болезней. При наличии достаточно большого корпуса данных, дополненных клиническими историями болезни, такой подход работает лучше всего и может быть использован для выявления молекулярных механизмов болезней и старения; он позволяет существенно сократить время разработки новых лекарственных препаратов или перепозиционировать для новых применений уже известные соединения. ИИ применяется для ускорения клинических испытаний. Предпринимаются попытки использовать ИИ для мониторинга состояния здоровья людей
Несмотря на хайп, современный ИИ остается «неглубоким» (shallow) и зачастую пригоден для решения узких задач. Эндрю Янг (Andrew Yang) сформулировал это ограничение просто: если человеку требуется не более секунды для решения какой-то задачи, значит, ее можно автоматизировать за счет ИИ. Обычно ИИ используется для автоматического выявления многочисленных сложных закономерностей в данных в условиях значительного шума или даже неоднородности или неполноты исходных данных. В любом большом, но конечном наборе данных находится много закономерностей, в том числе случайных. Вот почему для того, чтобы отделить ложные от истинных ассоциаций, ИИ требуется намного больше данных, чем для классических алгоритмов машинного обучения. Особенно это касается случаев, когда объясняющий эффект слаб (как эффект роль одного гена на рост или IQ человека).
«Прожорливость» к данным в процессе тренировки ИИ является особой проблемой для ИИ в медицине, так как любое использование персональных данных юридически сложно и является постоянным предметом интереса регуляторов.
В статистике хорошо известно, что корреляция не означает причинно-следственной связи. Поэтому другая слабая сторона современного ИИ — сложность интерпретации полученных моделей. В этой ситуации перспективным подходом могут быть гибридные техники, объединяющие методы ИИ для автоматического исследования структуры больших данных в сочетании с более классическими методами физического моделирования.
В «Геро» мы применяем средства машинного обучения, в том числе ИИ, для анализа связанных с возрастом биологических и медицинских переменных для выявления биомаркеров старения человека и животных. Недавно мы использовали глубокую сверточную сеть, позволяющую оценивать риски хронических заболеваний на основании данных физической активности, записанной акселерометром мобильного телефона. Глубокое машинное обучение на данных анализов крови в течении всей жизни 10000 мышей из Mouse Phenome Database позволяет оценить скорость старения у лабораторных животных.
В сочетании с геномными и транскриптомными данными ИИ позволяет формулировать терапевтические гипотезы и сразу «подбирать» молекулы — кандидаты в лекарственные средства, пригодные для исследований на животных. Так, например, у нас были разработаны ингибиторы гликолиза, перспективные нейропротекторы, показавшие эффективность в животных моделях ишемического инсульта.
Биомаркеры старения, разработанные при помощи ИИ, помогают быстро выявлять перспективные лекарственные средства, способные замедлить старение в опытах на животных и в клинических исследованиях.
Искусственный интеллект будет и дальше активно использоваться — главное, делать это с умом и комбинировать с другими современными технологиями. ИИ — это всего лишь технология, в полной мере доступная только тем, у кого есть доступ к талантам, устойчивому финансированию и, непременно, большим данным.
Автор
Петр Федичев. Основатель и научный директор Gero, заведующий Лабораторией моделирования биологических систем МФТИ
