An AI System for Autonomous Algorithm Evolution in Drug Development

科学的なアイデアを人々を助ける薬へと変える道のりは、多くの異なるチェックポイントに満ちた、長く曲がりくねった道です。それは適切な生物学的標的を見つけることから始まり、それと相互作用する可能性のある分子の発見へと進み、そして研究室での厳格なテスト、さらには人間のボランティアによる試験へと続いていきます。数十年にわたり、科学者たちは各ステップを加速させるために、特化したコンピュータプログラムに頼ってきました。これらのプログラムは非常に熟練した道具のようなものですが、人間の専門家によって、一つの特定の仕事のために注意深く設計されなければなりません。もしある道具が創薬ターゲットを見つけるためにうまく機能したとしても、その薬を臨床試験でテストするために使用できるとは限りません。これは、プロセスが進むにつれて、ツールを常に手作業で作り直し、調整しなければならないことを意味し、新しい薬の発見のスピードを制限する、遅くて労力の要るプロセスとなっています。

研究チームは現在、これらのコンピュータツールがどのように作られるかを変えるために設計された、「DrugEvolve」と呼ばれる新しいシステムを導入しました。このシステムは、タスクごとに人間が新しいアルゴリズムを構築することに頼るのではなく、自らを改善できる自律的なエンジンとして機能します。これは、専門家による小規模で自己完結したチームが協力して働く様子をシミュレートすることで機能します。システムの一部の要素は「研究者」として機能し、科学的知識を用いてアルゴリズムがどのように機能すべきかという新しいアイデアを提案します。別の部分は「エンジニア」として機能し、それらのアイデアを受け取り、それらを機能させるための実際のコードを記述します。第三の部分は「アナリスト」として機能し、新しいコードをデータに対してテストし、それが旧バージョンよりも優れた性能を発揮するかどうかを確認します。もし新しいバージョンが機能すれば、システムはそれを保持し、その成功を次の段階の変更を改善するための経験として利用します。これにより、各ステップで人間がコードを書く必要なく、ソフトウェアが自らの手法を設計、構築、テスト、および洗練していく連続的なループが生まれます。

研究者たちは、この自己改善システムを、生物学的標的の特定から臨床試験に至るまで、創薬パイプライン全体をカバーする11の異なるタスクにわたってテストしました。これらのテストにおいて、DrugEvolveは既存のアルゴリズムを取り込み、それらが自律的に進化できるようにしました。結果として、このシステムは、取り組んでいるアルゴリズムの性能を大幅に向上させることができました。科学者が自身の作業を確認するために使用する120の標準的なテストセットに対して測定したところ、進化したアルゴリズムは実質的な改善を示しました。このシステムは、生物学的配列のように見えるデータ、分子構造をマッピングしたデータ、そして平易な言語で書かれたデータの間の、非常に異なる種類の情報を自在に扱うことができるほど柔軟であることが証明されました。システムは、薬がどのように振る舞うかを推測するといった「予測」を行うタスクと、新しい分子を設計するといった「生成」を行うタスクの両方において成功しました。

この研究の重要性は、自らの歴史から学ぶシステムを生み出す能力にあります。研究者、エンジニア、アナリストの役割を単一の自動化されたループに組み合わせることで、このシステムは単に指示に従うだけでなく、問題を解決するためのより良い方法を能動的に探し求めます。著者らは、このアプローチが、ツール自体が時間の経過とともに賢くなっていく将来の創薬における基礎的なインフラストラクチャになり得ると示唆しています。医学の枠を超えて、この手法は他の複雑な科学分野へのアプローチにおける新しい方法を提示しており、機械が単にタスクを実行するだけでなく、そのタスクの実行方法を再発明することを教えられることを示しています。このシステムは、学習を一般化できること、つまり、ある領域で行った改善を異なる種類のデータや異なる段階のプロセスに適用できることを実証し、自律的な進化が科学的発見を促進するための実行可能な道であることを証明しました。