An AI System for Autonomous Algorithm Evolution in Drug Development

De reis van het transformeren van een wetenschappelijk idee naar een medicijn dat mensen helpt, is een lange, kronkelende weg vol met vele verschillende controlepunten. Het begint met het vinden van het juiste biologische doelwit, beweegt zich door de ontdekking van een molecuul dat ermee zou kunnen interageren, en gaat vervolgens door via rigoureuze testen in het laboratorium en uiteindelijk bij menselijke vrijwilligers. Decennialang hebben wetenschappers vertrouwd op gespecialiseerde computerprogramma's om elk van deze stappen te versnellen. Deze programma's zijn als zeer bekwame instrumenten, maar ze worden gebouwd door menselijke experts die ze zorgvuldig moeten ontwerpen voor één specifieke taak. Als een instrument goed werkt voor het vinden van een medicijndoelwit, kan het vaak niet worden gebruikt om dat medicijn in een klinische studie te testen. Dit betekent dat naarmate het proces vordert, de instrumenten voortdurend met de hand moeten worden herbouwd en opnieuw worden afgesteld, een traag en arbeidsintensief proces dat bepaalt hoe snel nieuwe medicijnen kunnen worden ontdekt.

Een team van onderzoekers heeft nu een nieuw systeem geïntroduceerd genaamd DrugEvolve, ontworpen om te veranderen hoe deze computertools worden gemaakt. In plaats van te vertrouwen op mensen om voor elke enkele taak een nieuw algoritme te bouwen, fungeert dit systeem als een autonome motor die zichzelf kan verbeteren. Het functioneert door een kleine, zelfgeconteniseerde groep experts te simuleren die samenwerken. Eén onderdeel van het systeem fungeert als een onderzoeker, die wetenschappelijke kennis gebruikt om nieuwe ideeën voor te stellen over hoe een algoritme zou moeten werken. Een ander deel fungeert als een ingenieur, die die ideeën neemt en de daadwerkelijke code schrijft om ze te laten functioneren. Een derde deel dient als een analist, die de nieuwe code tegen data test om te zien of deze beter presteert dan de oude versie. Als de nieuwe versie werkt, behoudt het systeem deze en gebruikt het dit succes als ervaring om de volgende ronde van wijzigingen te verbeteren. Dit creëert een continue lus waarbij de software de methoden zelf ontwerpt, bouwt, test en verfijnt zonder dat een mens de code voor elke stap hoeft te schrijven.

De onderzoekers testten dit zelfverbeterende systeem over elf verschillende taken die de gehele pijplijn van medicijnontwikkeling bestrijken, van het identificeren van biologische doelwitten tot het uitvoeren van klinische studies. In deze tests nam DrugEvolve bestaande algoritmen en liet deze op een eigen manier evolueren. De resultaten toonden aan dat het systeem in staat was om de prestaties van de algoritmen waarmee het werkte, aanzienlijk te vergroten. Wanneer gemeten tegenover 120 standaard testsets die wetenschappers gebruiken om hun werk te controleren, vertoonden de geëvolueerde algoritmen substantiële verbeteringen. Het systeem bleek flexibel genoeg om verschillende soorten informatie te verwerken, waarbij het naadloos bewoog tussen data die lijkt op biologische sequenties, data die moleculaire structuren in kaart brengt, en data geschreven in gewone taal. Het slaagde in zowel taken die uitkomsten voorspellen, zoals het raden hoe een medicijn zal reageren, als in taken die nieuwe mogelijkheden genereren, zoals het ontwerpen van nieuwe moleculen.

De betekenis van dit werk ligt in het vermogen om een systeem te creëren dat leert van zijn eigen geschiedenis. Door de rollen van onderzoeker, ingenieur en analist te combineren in één geautomatiseerde lus, volgt het systeem niet alleen een reeks instructies; het zoekt actief naar betere manieren om problemen op te lossen. De auteurs suggereren dat deze aanpak als een fundamentele infrastructuur kan dienen voor de toekomst van medicijnontwikkeling, waarbij de tools zelf slimmer worden naarmate de tijd verstrijkt. Buiten de geneeskunde biedt de methode een nieuwe manier om andere complexe wetenschappelijke velden aan te pakken, waarbij wordt aangetoond dat een machine kan worden geleerd om niet alleen een taak uit te voeren, maar ook de manier waarop zij die taak uitvoert te heruitvinden. Het systeem toonde aan dat het zijn leren kon generaliseren, wat betekent dat de verbeteringen die het in het ene gebied maakte, konden worden toegepast op verschillende soorten data en verschillende stadia van het proces, waarmee bewezen werd dat autonome evolutie een levensvatbaar pad is voor het bevorderen van wetenschappelijke ontdekkingen.