AI kommer til at accelerere udviklingen inden for nye lægemidler

Der er før og nu inden for lanceringen af forskellige AI-værktøjer som chatbots. Det gælder også inden for forskning på sundhedsområdet. Her hedder en af skillelinjerne inden for AI-historien AlphaFold 2, der er en proteinfoldningsalgoritme, som har været med til at revolutionere biomedicinfeltet.

Proteinfoldningsalgoritmer forudsiger, hvordan et protein ser ud i 3D, hvilket er altafgørende for proteinets egenskaber samt de forbindelser, proteinet kan lave til andre molekyler, og det anses som et af de vigtigste problemer inden for molekylær biologi.

Netop den problemstilling har stor betydning i forhold til at forstå proteinernes egenskaber, og hvordan de binder med andre proteiner. Sådan lyder det fra Tue Boesen, der er nyansat som Visual Computing Engineer i vores AI Lab, og som under et postdoc-ophold i Canada har specialiseret sig inden for maskinlæring og selv har arbejdet med proteinfoldning og biotek. 

AI accelererer inden for mange felter
Tue kommer senest fra et job som data engineer hos Lind Capital, hvor han arbejdede med deres struktur, framework og ‘best practice’ inden for valg af maskinlæringsmodeller.

“Inden for proteinfoldning har der kørt en konkurrence i 30 år, men efter sidste konkurrence blev de nødt til at ændre på konkurrencen, fordi resultaterne var blevet så gode. Men hvis du havde spurgt for ti år siden, om man kunne løse problemet, så havde man sagt, at det ikke bliver løst inden for de næste mange år. Det, at man har løst det her problem, gør, at vi kommer til at se nogle vilde fremskridt inden for ‘drug design’, og at der kommer medicin mod alle mulige ‘uhelbredelige’ sygdomme. Vi har for nylig set, at Moderna er kommet med en ny kræftbehandling,” forklarer han.

AI-accelerationen gælder ikke kun inden for medicinudvikling. Det gælder også inden for billedgenkendelse, hvor der er meget, der kan automatiseres, og hvor man eksempelvis arbejder på at sætte AI til at kigge på scanningsbilleder og dermed kan frigøre læger for noget af dette arbejde. 

Det er et af de grænseområder, som Tue bl.a. kommer til at arbejde med. Lige nu er han ved at få den brede introduktion til 3D-computer vision, og et af de første projekter, som han kommer med i, handler netop om CT-scanninger og medical imaging, som handler om at sekventere billeder, så AI forstår, hvad der fx er muskler osv.

“Der bliver en hel del at lære inden for computer vision. Jeg har en masse erfaring inden for high performance computing og generel maskinlæring, men ikke så meget inden for computer vision. Jeg forventer, at mit arbejde jo skal munde ud i, at vi får et mere forståeligt udgangspunkt for mange virksomheder, som gerne vil arbejde med billedgenkendelse.”

Industri og det akademiske
Tue er oprindelig uddannet fysiker fra Aarhus Universitet, men tog springet til maskinlæring under et postdoc-ophold i Canada på University of British Columbia, fordi professoren derovre var begyndt at interessere sig for maskinlæring. 

“Jeg syntes, det kunne være spændende og var der i fire år, hvor vi sprang rundt imellem forskellige ting, hvor det primært handlede om at forbinde maskinlæring med grene af matematikken. Du kan bruge neurale netværk til mange ting. Den ene uge arbejdede jeg med mineraler og olie inden for geofysik, næste uge transformerede jeg heste til zebraer, og senere så sprang vi ind i biotek og forudsagde proteinfoldning og bindinger. Vi var særligt interesserede i, hvordan de binder til kræftmolekyler. Vi ledte primært efter gode steder, hvor den viden kunne anvendes,  og efter virksomheder, som har brug for hjælp til at løse problemer.”

Det er netop spændingsfeltet mellem forskning og erhverv, der gjorde, at Tue søgte stillingen hos os.

“Jeg har ligget i grænsefladen mellem industri og det akademiske siden 2010, og her ligger Alexandra et dejligt naturligt sted mellem de to felter. Der er en god blanding af både svære og fascinerende opgaver.”