GeneDisco Challenge
–för utveckling av läkemedel med hjälp av maskininlärning
Vi har pratat med Stefan Bauer som är med och organiserar en workshop för maskininlärning för läkemedelsutveckling och GeneDisco Challenge, fredag 29 april.
Vad är det som lockar dig med utmaningarna inom detta område?
– Vi är i ett avgörande skede inom hälso- och sjukvården. Det har skett oöverträffade vetenskapliga och tekniska framsteg inom biologin. De senaste två decennierna har inneburit ökade möjligheter att radikalt förändra hur vi utvecklar behandlingar och ger vård till patienter.
– Utvecklingen av nya behandlingar har varit historiskt låg. Den genomsnittliga kostnaden för att få ut ett nytt läkemedel på marknaden är dubbelt så hög som bara ett decennium tidigare. Maskininlärningsbaserade tillvägagångssätt ger en unik möjlighet att möta denna utmaning.
– Det har saknats framgångsrika metoder i ett tidigt skede för att systematiskt tillämpa maskininlärningstekniker på läkemedelsutveckling. Endast ett fåtal labb inom industri och akademi har haft möjligheten till ML-driven läkemedelsupptäckt, men denna utmaning öppnar upp fältet och låter alla delta.
Vad ser du mest fram emot kring evenemangen?
– Vi anordnar en workshop tillsammans med GeneDisco-Challenge för utveckling av läkemedel med hjälp av maskininlärning. Workshopen kommer att innehålla föredrag från ledande forskare och pionjärer från akademi och industri, rundabordssamtal och paneldiskussioner med experter. Förhoppningsvis kommer detta att resultera i handling och transnationella insikter och öppna upp fältet för många deltagare.
Vad tror du att deltagarna kommer att lära sig i diskussionerna om ”Machine Learning for Drug Discovery Workshop”?
– Maskininlärning kan möjliggöra utveckling av processerna när man tar fram nya läkemedel. Deltagarna får genom diskussioner och samtal kunskap om till exempel allt från molekyl-optimering till experimentdesign och ser vad andra medlemmar både från industri och akademi arbetar med.
Vad skulle det ultimata resultatet vara från Machine Learning for Drug Discovery Workshop?
– Vi strävar efter att samla deltagarna för att diskutera spetsforskning inom läkemedelsupptäckt med hjälp av maskininlärning. Även om det har funnits ett växande intresse inom maskininlärningsgemenskapen (ML) är samhällets utmaningar i utveckling av läkemedel i stort sätt okända. Ambitionen med workshopen är att föra samman intressenterna inom detta område där:
1) ML kan ha en stor positiv inverkan och vara till gagn för alla och
2) den praktiska tillämpningen kan driva utvecklingen av ML-metoder genom nya problemställningar, riktmärken och testgrunder i skärningspunkten mellan många delområden, allt från representation, aktiv och förstärkande inlärning till kausalitet och behandlingseffekter.
Vad är GeneDisco Challenge?
– Med miljarder potentiella hypoteser att testa är designutrymmet för genetiska experiment exceptionellt stort. Maskininlärningsmetoder, skulle kunna hjälpa till att optimalt utforska det stora biologiska området genom att integrera förkunskaper från olika informationskällor. Det finns idag dock inga standardiserade riktmärken och datauppsättningar för denna utmanande uppgift.
– Vi skapade GeneDisco som är en samling riktvärden för att utvärdera aktiva inlärningsalgoritmer för experimentell design i läkemedelsupptäckt. GeneDisco innehåller en utvald uppsättning av flera offentligt tillgängliga experimentella datauppsättningar och öppen källkod - toppmoderna policyer för aktivt lärande, experimentell design och forskning. Deltagare i GeneDisco-Challenge kan använda riktvärdena för att bidra till systematiska framsteg när det gäller att använda maskininlärning för läkemedelsupptäckt och målvalidering i ett tidigt skede.
Varför är det viktigt att delta i GeneDisco Challenge?
– Maskininlärningsmetoder, såsom aktiv inlärning och förstärkande inlärning, skulle kunna hjälpa till att utforska utrymmet för genetiska ingrepp. Fler deltagare i GeneDisco-Challenge kommer förhoppningsvis att leda till en mångfald av föreslagna tillvägagångssätt, varav en kan överträffa de andra metoderna. Om det implementeras hos ett av de stora läkemedelsföretagen, och en ökad framgångsfrekvens på 1 procent kan det leda till tiotals eller hundratals nya läkemedel varje år.
Om ett par år, om du ser tillbaka på detta tillfälle och säger: "Det var på GeneDisco Challenge 2022 som vi upplevde detta fantastiska resultat av världsomfattande betydelse." Vad skulle det kunna vara?
– Med GeneDisco-Challenge kan vi förhoppningsvis testa och avancera maskininlärningsbaserade metoder för läkemedelsupptäckt i ett tidigt skede. I bästa fall introducerar vi ytterligare hundratals nya och potentiellt livsförändrande terapeutiska alternativ för patienter varje år i framtiden.
– Genom att etablera dessa riktmärken och organisera samhällsutmaningar öppnar vi upp området för maskininlärningsaktiverad läkemedelsupptäckt och låter många fler studenter, särskilt från mindre högt rankade universitet, delta i toppmodern forskning och samarbetsforskning.
Mer information
Relaterade nyheter
Ny algoritm gör maskininlärning snabbare och mer exakt
Algoritmen kan förbättra hur smarta enheter i hem och på arbetsplatser samarbetar. Genom att minska hur ofta enheterna behöver prata med en server samtidigt som den sömlöst hanterar olika data mellan ...
Läs artikelnFyra forskare om framtiden för AI
Forskningen inom Artificiell Intelligens stod i fokus när forskare och partners från KTH, Saab och Ericsson samlades under två dagar för att prata om den forskning som görs inom området.
Läs artikelnFrustration över parkeringsböter ledde till innovation
En frustration över parkeringsböter ledde till en innovativation: En parkeringsapp som läser skyltar och talar om vad som gäller så du slipper få böter. Nu siktar KTH studenterna Maximillian Claesso...
Läs artikeln