Если мы хотим сделать новый антибиотик, мы сначала должны решить, что именно в бактериальной клетке мы хотим испортить. Это может быть, например, какой-нибудь фермент, необходимый для постройки клеточной стенки, или фермент, участвующий в синтезе белков. Зная структуру молекулы-мишени, мы конструируем молекулу антибиотика, который будет связываться с мишенью и отключать её.

При этом мы,
Подробности
конечно, помним, что антибактериальных веществ на свете существует множество, так что мы можем взять какое-нибудь готовое вещество и усовершенствовать его, добавив к нему химические группы, которые, как нам кажется, должны повысить его эффективность. Проблема в том, как из огромного количества уже существующих и потенциально возможных соединений выбрать наиболее перспективное. Здесь не мог не появиться искусственный интеллект, и в статье, которая вышла на днях в Cell, речь идёт как раз об антибиотике, в прямом смысле созданном машинным алгоритмом.

Исследователи из Массачусетского технологического института создали нейросеть – алгоритм, который учился выбирать среди моря химических соединений те, которые лучше всего подавляют рост бактерий. Программу тренировали на кишечной палочке и 2335 молекулах, среди которых были как медицинские антибиотики, так и разнообразные вещества животного, растительного и микробного происхождения с антибактериальной активностью; кроме них, были вещества без антибактериальной активности. Сами исследователи и так знали всё про эти молекулы, но сейчас нужно было, чтобы нейросеть, сравнивая вещества между собой, научилась по структуре определять антибиотики.

Алгоритм создавали с двумя важными условиями: ему не давали информации о том, что за механизм действия у того или иного вещества, и в самих молекулах не было отмечено никаких химических групп. При «человеческом» анализе химики и биологи всегда держат в уме, на какие процессы в бактериальной клетке действует молекула, и какие группы атомов к ней нужно прицепить или убрать, чтобы она действовала эффективнее – то о чём мы говорили в начале. Так вот, алгоритм запрограммировали так, чтобы он такими категориями не думал.

После обучения на тренировочных 2335 молекулах нейросети дали примерно 6000 потенциальных лекарственных молекул, которые сейчас только изучаются и про которых неизвестно, как они действуют на бактерий. Задача была та же – найти вещества, подавляющие рост кишечной палочки. Из этих более чем 6000 нейросеть выбрала около сотни. Их протестировали на настоящих микробах, и оказалось, что одна из молекул, которую изучают как потенциальное лекарство от диабета, может быть весьма эффективным антибиотиком.
Нейросеть носит название GauGAN, которое она получила в честь живописца Поля Гогена, чьи работы относят к направлению постимпрессионизма. Она представляет собой генеративно-состязательную сеть (GAN). В нее входит две сети, которые называют генератором и дискриминатором. Генератор создает изображение, а дискриминатор, обученный на реальных фотографиях, подсказывает, как его необходимо исправить.
Подробности
Интерфейс приложения состоит из трех инструментов: кисти, карандаша и заливки. Помимо них, доступны различные текстуры — от неба до камней и деревьев. Достаточно выбрать нужную текстуру, задать форму, залить, и нейросеть сама создаст на ее месте реалистичный объект. Для тренировки искусственного интеллекта (ИИ) использовали один миллион фотографий, большую часть которых взяли с портала Flickr. Вице-президент по прикладным исследованиям в области ИИ Брайан Катандзаро (Bryan Catanzaro) заверил, что они соблюдали авторское право. Создатели отмечают, что нейросеть способна менять время суток и времена года. К примеру, если указать зиму, то изменится не только ландшафт, который теперь покроется снегом, но и небо — оно станет облачным и серым. То же касается и деревьев, которые скинут листья. При этом GauGAN понимает, когда объекты стоят перед водной гладью, и отражает их там. Алгоритм мультимодальный: даже по двум одинаковым эскизам он создаст два отличающихся изображения. Во время демонстрации программа производила все процессы за секунды в режиме реального времени. Брайан Катандзаро сказал, что такие результаты получились благодаря графическому процессору Titan. Однако, по его словам, с некоторыми доработками алгоритм сможет работать практически на любой платформе, но процесс преобразования займет больше времени.
Соревнование с экспериментальным характером прошло на юридической онлайн-платформе LawGeex под наблюдением профессоров из Стэнфордского университета, Школы права Университета Дьюка и Университета Южной Калифорнии. За право «лучшего» боролись 20 высококвалифицированных юристов и специально обученная система. За четыре часа участники должны были изучить пять соглашений о неразглашении информации и в
Подробности
ыявить 30 нарушений, некоторые из которых требовали арбитражного суда и возмещения ущерба. Их оценивали по тому, насколько точно они могли определить каждый из случаев. В результате нейросеть достигла 95-процентной точности в толковании разных пунктов соглашения, в то время как точность специалистов составила 85%. Более того, искусственный интеллект справился с заданием всего за 26 секунд, а юристам на это потребовалось более полутора часов – 92 минуты. Самый высокий показатель компьютера – 100% точности в решении одного из вопросов, у человека же он не превысил 97%. Грант Гуловсен (Grant Gulovsen), эксперт по интеллектуальной собственности и один из участников соревнования, сказал, что поставленные перед ними задачи были очень похожи на те, с которым ему и его коллегам приходится сталкиваться каждый день. Кстати, он признался, что не чувствует себя побежденным, так как считает, что машинное обучение в будущем облегчит работу юристов и даст им возможность сосредоточиться на тех кейсах, которые всегда будут требовать «человеческого» подхода. Не так давно консалтинговая компания McKinsey опубликовала отчет под названием «Потерянные и найденные рабочие места: перемещения рабочей силы во время автоматизации», в котором говорилось о том, что в течение 13 лет примерно 800 млн работников по всему миру могут быть замещены машинами. По мнению авторов отчета, уже сейчас можно автоматизировать около 60% работы, выполняемой людьми. В зоне риска находятся в основном сотрудники общепита и операторы машин, а вот садовников, сантехников и нянь боты заменят с меньшей вероятностью.
Нейробиологи из Медицинского центра университета им. Дьюка представили новый тип интерфейса между мозгом и компьютером, который позволяет объединять мозги нескольких живых существ в одну вычислительную сеть. В опубликованных работах были описаны эксперименты, в котором мозги нескольких животных работали сообща ради достижения общей цели. Для эксперимента учёные вживляли электроды непосредственно в
Подробности
мозг млекопитающих.

В двух независимых экспериментах учёные проверяли возможности т.н. Brainet — мозговой сети, связывая в одном из них мозги нескольких обезьян, а в другом — нескольких крыс. Животные в обоих экспериментах могли обмениваться сенсорной информацией и совместно управлять моторикой, чтобы достигать поставленных целей или проводить вычисления.

В одном эксперименте объединённые в сеть мозги трёх макаков-резусов управляли виртуальной рукой, которая должна была схватить некий движущийся объект. На движения руки влияла мозговая деятельность всех животных. Каждая из обезьян контролировала движения виртуальной руки по двум осям. В связи с этим удачно двигать рукой и схватить виртуальный объект они могли только в том случае, если хотя бы две из них синхронизировали мозговые сигналы.

В ходе эксперимента обезьяны обучались управлению виртуальным манипулятором и со временем успешно подстроились под него. Затем, в следующей фазе эксперимента, обезьянам оставили контроль над движениями виртуальной руки только по одной оси. Через несколько дней они научились успешно действовать сообща и при таких ограничениях. -->>