Bu rehber yardımcı oldu mu?
DoktorClub’da Keşfet
Yapay Zeka ve Antibiyotikler
Yapay zeka popülerlik açısından patlama yaşadı. Araç kullanmamıza, e-postaları düzeltmemize ve hatta ilaçlar için yeni moleküller tasarlamamıza yardımcı olan modellere güç veriyor. Ancak tıpkı bir insan gibi,…
Yapay zeka popülerlik açısından patlama yaşadı. Araç kullanmamıza, e-postaları düzeltmemize ve hatta ilaçlar için yeni moleküller tasarlamamıza yardımcı olan modellere güç veriyor. Ancak tıpkı bir insan gibi, Teknolojinin bir alt kümesi olan Açıklanabilir AI (XAI), bir modelin kararlarını haklı çıkararak tam da bunu yapmamıza yardımcı olabilir. Ve şimdi, araştırmacılar XAI'yi yalnızca
öngörücü AI modellerini daha yakından incelemek için değil, aynı zamanda kimya alanına daha derinlemesine bakmak için de kullanıyorlar.
Araştırmacılar sonuçlarını Amerikan Kimya Derneği'nin (ACS) sonbahar toplantısında sunacaklar.
Manitoba Üniversitesi'nde kimya profesörü olan Rebecca Davis, “Yapay zekanın kararlarını nasıl aldığına dair bazı içgörüler sağlamaya yardımcı olan modeller geliştirebilirsek, bilim insanlarının bu metodolojilerle daha rahat olmasını sağlayabiliriz.” dedi.
Bu gerekçelendirmeyi sağlamanın bir yolu XAI'dır. Bu makine öğrenme algoritmaları, yapay zeka karar alma sürecinin perde arkasını görmemize yardımcı olabilir. Toplantıda çalışmayı sunan Davis'in laboratuvarında kimya alanında lisansüstü öğrencisi olan Hunter Sturm, “Bilgisayarlara kimyayı öğretirken hangi bilgilere ihtiyacımız olduğunu daha iyi anlamak için XAI'yi kullanmak istiyorum.” diyor.
Araştırmacılar çalışmalarına, bilinen ilaç moleküllerinin veritabanlarını bir bileşiğin biyolojik bir etkiye sahip olup olmayacağını tahmin edecek bir AI modeline besleyerek başladılar. Daha sonra, Almanya'daki Karlsruhe Teknoloji Enstitüsü'nde iş birlikçisi Pascal Friederich tarafından geliştirilen bir XAI modelini kullanarak, modelin tahminine yol açan ilaç moleküllerinin belirli kısımlarını incelediler. Bu, modele göre belirli bir molekülün neden aktiviteye sahip olduğunu veya olmadığını açıklamaya yardımcı oldu ve Davis ve Sturm'un bir AI modelinin neyi önemli görebileceğini ve birçok farklı bileşiği inceledikten sonra kategorileri nasıl oluşturduğunu anlamalarına yardımcı oldu.
Araştırmacılar, önemli moleküler yapıları belirlemenin yanı sıra, XAI'yi öngörücü AI modellerini geliştirmek için kullanmayı umuyor. Davis, “XAI, bilgisayar algoritmalarının antibiyotik aktivitesi için önemli olarak tanımladığı şeyleri bize gösteriyor. Daha sonra bu bilgileri, bir AI modelini ne araması gerektiği konusunda eğitmek için kullanabiliriz.” diye ekliyor.
Daha sonra, ekip, geliştirilmiş AI modellerinin antibiyotik olarak işe yarayacağını öngördüğü bileşiklerden bazılarını sentezlemek ve test etmek için bir mikrobiyoloji laboratuvarıyla ortaklık kuracak. Sonuç olarak, XAI'nin kimyagerlerin daha iyi veya belki de tamamen farklı antibiyotik bileşikleri yaratmasına yardımcı olacağını ve bunun da antibiyotik dirençli patojenlerin akışını durdurmaya yardımcı olabileceğini umuyorlar.
Araştırmacılar sonuçlarını Amerikan Kimya Derneği'nin (ACS) sonbahar toplantısında sunacaklar.
Manitoba Üniversitesi'nde kimya profesörü olan Rebecca Davis, “Yapay zekanın kararlarını nasıl aldığına dair bazı içgörüler sağlamaya yardımcı olan modeller geliştirebilirsek, bilim insanlarının bu metodolojilerle daha rahat olmasını sağlayabiliriz.” dedi.
Bu gerekçelendirmeyi sağlamanın bir yolu XAI'dır. Bu makine öğrenme algoritmaları, yapay zeka karar alma sürecinin perde arkasını görmemize yardımcı olabilir. Toplantıda çalışmayı sunan Davis'in laboratuvarında kimya alanında lisansüstü öğrencisi olan Hunter Sturm, “Bilgisayarlara kimyayı öğretirken hangi bilgilere ihtiyacımız olduğunu daha iyi anlamak için XAI'yi kullanmak istiyorum.” diyor.
Araştırmacılar çalışmalarına, bilinen ilaç moleküllerinin veritabanlarını bir bileşiğin biyolojik bir etkiye sahip olup olmayacağını tahmin edecek bir AI modeline besleyerek başladılar. Daha sonra, Almanya'daki Karlsruhe Teknoloji Enstitüsü'nde iş birlikçisi Pascal Friederich tarafından geliştirilen bir XAI modelini kullanarak, modelin tahminine yol açan ilaç moleküllerinin belirli kısımlarını incelediler. Bu, modele göre belirli bir molekülün neden aktiviteye sahip olduğunu veya olmadığını açıklamaya yardımcı oldu ve Davis ve Sturm'un bir AI modelinin neyi önemli görebileceğini ve birçok farklı bileşiği inceledikten sonra kategorileri nasıl oluşturduğunu anlamalarına yardımcı oldu.
Araştırmacılar, önemli moleküler yapıları belirlemenin yanı sıra, XAI'yi öngörücü AI modellerini geliştirmek için kullanmayı umuyor. Davis, “XAI, bilgisayar algoritmalarının antibiyotik aktivitesi için önemli olarak tanımladığı şeyleri bize gösteriyor. Daha sonra bu bilgileri, bir AI modelini ne araması gerektiği konusunda eğitmek için kullanabiliriz.” diye ekliyor.
Daha sonra, ekip, geliştirilmiş AI modellerinin antibiyotik olarak işe yarayacağını öngördüğü bileşiklerden bazılarını sentezlemek ve test etmek için bir mikrobiyoloji laboratuvarıyla ortaklık kuracak. Sonuç olarak, XAI'nin kimyagerlerin daha iyi veya belki de tamamen farklı antibiyotik bileşikleri yaratmasına yardımcı olacağını ve bunun da antibiyotik dirençli patojenlerin akışını durdurmaya yardımcı olabileceğini umuyorlar.