Продолжаем  цикл статей о том, какую роль искусственный интеллект сыграет в деле продления жизни.

 

Борьба со старением как самое эффективное средство продления жизни

 

В настоящий момент все осознают, что целью индустрии здравоохранения является не только лечение заболеваний, но и в целом продление периода здоровой жизни.

Разные применения искусственного интеллекта в медицине обладают разным влиянием на срок жизни. К примеру, борьба с редкими заболеваниями или с поздними стадиями рака не приведёт к значительному увеличению общей длины жизни в целом.

Главные причины смерти в США это сердечно-сосудистые заболевания (23,1% случаев смерти от заболеваний сердца, 5,1% случаев инсульта), это рак (22,5%), это хронические заболевания нижних дыхательных путей (5,6%) и это болезнь Альцгеймера (3,6%). В совокупности данные болезни вызывают в США 59,9% всех смертей. Вероятность данных заболеваний увеличивается с возрастом экспоненциально в соответствии с законом Гомпертца (Gompertz). Более 75% всех смертей приходится на людей в возрасте от шестидесяти пяти лет и старше.

Разные исследователи считают, что старение это основная причина смерти, и, если мы сумеем процесс старения замедлить, то мы уменьшим вероятность возрастных заболеваний и продлим продолжительность здоровой жизни человека. Эксперименты демонстрируют, что даже обычные интервенции замедляют процесс старения и отдаляют возникновение смертельных заболеваний, продлевая продолжительность жизни для червей C. Elegans, крыс и мышей.

Описываемые эксперименты, проводившиеся на животных, включали довольно простые интервенции, к примеру, низкокалорийную диету или введение давно известных продляющих здоровую жизнь лекарств (к примеру, рапамицин и метформин). Подобные препараты называются геропротекторами.

К сожалению, клинических тестов свойств продления жизни геропротекторов на людях — очень мало, даже несмотря на то, что описанные интервенции довольно часто используются в борьбе с другими заболеваниями (к примеру, лечение диабета метформином), это говорит об их безопасности. Клинические тесты на людях довольно давно можно было бы начать, но этого не произошло из-за ряда экономических и социальных препятствий. Конечно, подобные эксперименты потребовали бы очень большого количества времени (лонгитюдные исследования занимают десятки лет), и группы тестируемых людей должны были бы быть большими.

Но в классической медицине невозможно позволить подобную роскошь как десятилетиями или веками проводить один эксперимент. Люди умирают именно сейчас, так что надо как можно скорее  найти способы продлять человеческую жизнь — и доказать, что данные способы работают. Хорошо известный метод — это искать биомаркеры старения и отслеживать их изменения от различных интервенций. Таким образом можно было бы утверждать, что да, данный метод замедления старения хорошо работает.

Иначе говоря, чтобы процесс старения замедлить, нам, во-первых, надо найти эффективные геропротекторы и их комбинации, а во-вторых, для того, чтобы доказать, что они функционируют, нам надо найти достоверные биомаркеры старения.

Есть множество других интересных идей в области борьбы со старением. Среди них — стволовые клетки, генная терапия,  «стратегии спроектированного незначительного старения» (Strategies for Engineered Negligible Senescence, SENS). Пока мы ограничимся описанием методов создания геропротекторов и выявления биомаркеров, которые основаны на искусственном интеллекте.

Сейчас была только лишь одна попытка использовать искусственный интеллект для выявления биомаркеров старения. Нейронные сети обучали на большой выборке образцов крови, которые  принадлежали людям разных возрастов.

 

Биомаркеры старения как вычислительная задача

 

Биомаркеры старения — это количественные характеристики, которые на основе текущего состояния организма человека предсказывают ожидаемую продолжительность жизни. Данный показатель можно сопоставить «биологическому возрасту» (который может быть больше или меньше реального возраста) так что: ожидаемая продолжительность жизни — это разница между средней продолжительностью жизни для вида и биологическим возрастом человека. Различные биомаркеры старения обладают разной прогностической способностью. К примеру, седые волосы являются маркером старения, но имеет со смертностью низкую корреляцию.

Хорошие биомаркеры старения должны быть связаны непосредственно с потенциальной причиной смерти. Цвет волос напрямую не связан с потенциальной причиной смерти (вообще можно покрасить волосы, и это не повлияет никак на ожидаемую продолжительность жизни). А вот, к примеру, артериальное давление, некоторые генетические мутации, связаны со смертностью. Так, они хорошие биомаркеры старения. Так как старение — это очень сложный процесс, степень старения нельзя выразить одним числом; для этого понадобится довольно большой массив параметров. Биомаркеры старения также должны быть обратимыми: если процесс старения был обращён вспять, то соответствующие биомаркеры должны измениться определённым образом (к примеру, может уменьшиться их показатель).

Есть два способа поиска биомаркеров старения: первый - моделирование процессов старения и второй - это использование статистики. Дополнительно можно измерять также изменения кривой смертности Гомперца, то есть использовать количество смертей в популяции как биомаркер старения (но чтобы отследить изменения в кривой, понадобится информация о миллионах людей).

При помощи носимых устройств можно записывать время приёма лекарств и следование конкретному типу лечения, то есть, собирать и централизовано хранить большое количество записей о лечении пациентов и сопровождать это данными о генетике, поведенческой и физической активности человека. Подобная централизация и аккумуляция данных предоставит большую информационную базу для когортных исследований, таким образом они станут иметь большую доказательную ценность.

Интерпретация информации, собираемой с носимых устройств, возможно потребует использования мощного искусственного интеллекта. К примеру, для нахождения биомаркеров старения можно пользоваться методом машинного обучения «обучение без учителя» — искусственный интеллект сумеет сопоставлять некоторые группы параметров здоровья определённым признакам биологического старения.

Далее, анализ изменения параметров поможет обнаружить реальные биомаркеры. К примеру, компания Gero занимается сетями генной стабильности.

Другое применение искусственного интеллекта в борьбе со старением — это создание новых геропротекторов на базе анализа типов клеток, типов старения и молекулярных свойств. Геропротекторами могут быть как лекарства, так и генетические интервенции, — к примеру, вставка новых генов в геном или изменение экспрессии существующих генов (эпигеномика).

Пятьсот тысяч британских пенсионеров пожертвовали свою кровь в Biobank , сопроводив её анонимизированными данными о том, какую терапию они проходят. Biobank в настоящий момент секвенирует их геномы, а потом публике будет предоставлен открытый доступ ко всем результирующим данным, а это — богатый материал для разного рода алгоритмов машинного обучения. Наиболее перспективным является поиск генных сетей, которые обуславливают старение. Подобные проекты сейчас проходят в Эстонии и Исландии.

 

Проблема вычислений комбинаций геропротекторов

 

Ряд лекарств продлевает мышам жизнь, т. е. замедляет процесс их старения. Однако большинство из данных препаратов дают лишь 10—15% увеличение продолжительности жизни. Для людей подоьные лекарства будут ещё менее эффективны (станут давать около 5% продления), так как продлить жизнь долгоживущим видам намного сложнее, чем короткоживущим, подобные виды хуже реагируют на хорошо изученные геропротекторы. Но можно объединить сразу несколько геропротекторов. Исследования на мышах демонстрируют, что подобным образом можно добиться усиления эффекта.

В недавних исследованиях был использован сложный алгоритм тестирования, чтобы найти те три вещества, которые продляли бы жизнь мух и червей на максимальный срок. Этот алгоритм был вручную разработан, и скорее всего искусственный интеллект поможет нам разработать лучший алгоритм тестирования, чем этот.

Несмотря на то, что комбинированный приём некоторых геропротекторов работает довольно хорошо, другие геропротекторы могут быть друг с другом несовместимы, а их совместный приём в большой степени аннигилирует их эффект. Следовательно, первым делом необходимо будет протестировать все пары известных геропротекторов, а потом и более сложные комбинации. Для тестирования всех комбинаций из десяти геропротекторов потребуется 1024 эксперимента, а для двадцати геропротекторов количество экспериментов будет больше миллиона (заметим, что в комбинации можно варьировать дозировку, что увеличивает также количество требуемых экспериментов). Все данные эксперименты практически невозможно провести, так как не хватило финансирования даже для тестирования одной комбинации геропротекторов на мышах (см. кампанию lifespan.io).

Задача поиска в огромном пространстве похожа на сложную настольную игру с огромным пространством возможных ходов, к примеру, го. Недавний успех AlphaGo говорит о том, что поиск успешных комбинаций может быть упрощён. Следовательно, потребуется намного меньшее количество экспериментов для определения оптимальной комбинации геропротекторов. Принцип, на который опирается AlphaGo, заключается в том, что нейронная сеть, обученная на большом количестве предыдущих игр, выбирает наиболее перспективные комбинации ходов. Аналогично, нейронную сеть можно научить на базе свойств веществ, полученных из библиотеки свойств веществ, прогнозировать их влияние на здоровье человека. Такой подход уже используется для обнаружения геропротекторов и для прогнозирования токсичности. Toxcast — масштабный проект, спонсируемый правительством США, в котором исследователи задаются целью использовать машинное обучение для прогнозирования токсичности различных химических веществ.

Чтобы улучшить качество результатов экспериментов, необходимо также в процессе тестирования геропротекторов записывать различные параметры организма тестируемых (например, состав крови, физическую активность, показания электроэнцефалографии). Это позволило бы выявлять биомаркеры старения прямо по ходу процедуры тестирования.

Как правило, задача поиска геропротекторов сводится к задаче поиска глобального минимума функции десяти (или более) переменных, которая легко решается с помощью алгоритмов машинного обучения.

Биомаркеры старения можно искать подобным образом. С математической точки зрения, задача тоже сводится к поиску глобального минимума функции многих переменных. Этот же механизм можно использовать и для расчёта конкретных генетических интервенций для отдельного человека (можно учесть генетические характеристики, его возраст, показатели биомаркеров).

В этой области работают компании Gero, Calico, Институт исследований старения Бака (The Buck Institute for Research on Aging, Калифорния, США) и др. Жоау Педро де Магалханес (João Pedro de Magalhães) использовал алгоритм машинного обучения random forest для прогнозирования свойств веществ, продлевающих жизнь.

Кроме того, существует несколько проектов по поиску эффективных комбинаций большого числа геропротекторов. Для этого используют нейронные сети, изначально разработанные для других задач:

— Проект AtomNet предсказывает свойства химических веществ с помощью свёрточных нейронных сетей;

— В статье E. Pyzer-Knapp et al.  многослойная нейронная сеть использована для прогнозирования электрических свойств новых молекул;

— В статье L. Rampasek and A. Goldenberg  рассматривают применения фреймворка TensorFlow от Googleв области вычислительной биологии;

— K. Myint and X.-Q. Xie предсказывают свойства лиганд с использованием нейронной сети, обученной на базе молекулярных отпечатков пальцев.

 

Искусственный интеллект, старение и персонализированная терапия

 

Старение можно рассматривать как накопление генетических ошибок, дополненное отсутствием регулирующих процессов, осуществляемых механизмами восстановления и иммунной системой. Следовательно, для борьбы со старением необходимо предоставить такие механизмы в виде медицинской терапии. Она будет состоять из (1) тестов (например, анализов крови, снятия показаний артериального давления, прохождения медицинского осмотра), (2) выдвижения гипотез о причине болезни (постановка диагноза), (3) медицинского вмешательства и (4) в случае неправильной гипотезы — последующей корректировки, основанной на новых наблюдениях.

Этот подход в некотором роде напоминает научный метод, в нем за основу взята информация, и решается определённая вычислительная задача. Это значит, что он может выиграть от использования подхода больших данных, который подскажет точную таргетированную интервенцию. Собрать большой объем информации об организме человека важно, чтобы построить детальную модель [здоровья], чтобы впоследствии вылечиться или омолодить тело. Собранные данные позволят провести расчёты, необходимые для генетических вмешательств по восстановлению и улучшению функциональности организма.

Теперь возможно получить огромное количество информации об организме с помощью анализа (1) секвенированного генома, (2) параметров крови, (3) транскриптома, (4) метаболома и других «омик» (то есть, детальных количественных описаний функций и статистик разных частей организма). Это достигается за счёт непрерывного мониторинга приёма пищи, физической активности и параметров сердечной активности с помощью ЭКГ, различных осмотров и цифровой томографии. Быстрое снижение стоимости всех этих процедур (999 долларов в 2016 году за полное секвенирование генома) привело к тому, что обычные люди стали источниками больших данных. Теперь нам предстоит решить вопрос, как интерпретировать полученные данные так, чтобы уметь не только диагностировать заболевания, но и их прогнозировать, а также создавать персонализированные профили старения. Для этого нам нужны лучшие методы построения заключений по имеющимся данным.

Вспомним типичную для прошлого ситуацию: пациент жалуется врачу на различные боли. Врач измеряет ему давление и температуру, после чего прописывает лечение одним стандартным препаратом. В данном случае информационный обмен между пациентом и врачом минимален — он состоит, [если говорить в компьютерных терминах], всего из нескольких байтов и некоторых интуитивных догадок врача. Однако сейчас обмен информацией может состоять из гигабайт информации без каких-либо дополнительных усилий. Для обработки этих «гигабайтов» потребуются мощные методы data science.

Во время старения организм постепенно накапливает ошибки, а система исправления этих ошибок начинает давать сбои. «Информационная теория старения» может быть спроектирована таким образом, чтобы позволить с помощью терапии скорректировать все эти ошибки. Эта идея лежит в основе проекта «Стратегии спроектированного незначительного старения» (SENS).

Искусственный интеллект может помочь людям смоделировать процесс старения — создать причинно-следственную карту разных процессов старения в теле, а затем каждый раз персонализировать эту модель.

Обычно организм способен сам решать большинство своих проблем локально, не отправляя информацию «наружу»: клетки знают, что нужно исправлять, и внимание более высокого уровня необходимо только когда на локальном уровне организм не справляется. Когда тело стареет, оно теряет способность справляться с проблемами на локальном уровне. Самым разумным в данном случае будет не «считывать» информацию об ошибках и не пытаться их исправить с помощью терапии, а вводить в тело «ИИ-помощников», которые помогут решать проблемы локально по мере их появления. Для этого будут использованы импланты, вкупе с наномедициной будущего.

Другое возможное решение непростой проблемы старения — это «выращивание» частей тела или даже тел целиком. Однако разработка иммуногенных свойств таких новых частей тела и понимание того, как их связывать с уже существующими телами, потребует анализа больших объёмов информации, — это возможно только при использовании искусственного интеллекта в этих целях.

 

Узкий искусственный интеллект сократит расходы на здравоохранение и сделает его доступным

 

Эффективное и доступное здравоохранение будет иметь большое значение для глобального увеличения ожидаемой продолжительности жизни. Дешёвые мобильные телефоны решили проблему связи в глобальном масштабе, они стали стандартным решением в этой области. Подобное решение необходимо искать и в здравоохранении.

Высококачественная медицина обычно стоит дорого и включает расходы на медсестёр, больницы, лекарства, анализы, медицинскую страховку и хороших специалистов. Как следствие, передовая медицина остаётся недоступной для многих людей.

Консультации на базе искусственного интеллекта будут гораздо дешевле — соответственно, качественные медицинские услуги станут доступны более широким кругам населения (в т.ч. в развивающихся странах). Подобно тому, как вместо дорогих препаратов могут быть использованы их дешёвые аналоги, медицинские консультации на основе искусственного интеллекта смогут обеспечить качественную диагностику людям, которые не могут позволить себе оплачивать консультации врача.

Многие люди (к примеру, те, кто ищет в интернете ответы на свои вопросы о здоровье), будут с большей охотой консультироваться с ИИ-системой, чем с настоящим врачом. Среди систем искусственного интеллекта, которые сделают медицинское обслуживание качественным и недорогим, следующие:

— медицинские чат-боты искусственного интеллекта, например, такие, как приложение Babylon;

— использование смартфонов как универсального диагностического инструмента (для контроля сердечного ритма, диеты, физической активности, степени оксигенации крови, изменения родинок и т. Д.);

— доставка на дом дешёвых аналогов дорогих лекарств;

— сетевые медицинские экспертные системы.

 

Влияние узкого искусственного интеллекта на продление жизни

 

Узкий искусственный интеллект поможет людям использовать потенциал продления жизни на 100%, и это приведёт к значительному замедлению старения. Если бы люди не старели, продолжительность жизни могла бы достигать нескольких сотен лет даже несмотря на несчастные случаи (если мы исключим возрастную составляющую смертности — экстраполируем минимальную вероятность смерти, например, возьмём такую как у 10-летних американских девочек — 0,000084 в течение года, мы получим ожидаемую продолжительность жизни в 5925 лет). Но с возрастом вероятность смертности растёт, и ожидаемая продолжительность жизни снижается до 81 года. Большая часть этого увеличения вероятности смертности обусловлена биологическим старением. К сожалению, введение узкого искусственного интеллекта в клиническую практику может занять гораздо больше времени, чем занимают открытия новых методов лечения в исследовательских лабораториях. Может быть, до клинической практики узкий искусственный интеллект дойдёт через несколько десятилетий.

Нынешняя эпоха узкого искусственного интеллекта может затянуться, согласно пессимистическим предсказаниям, до 2075-го года. Если так случится, это время можно потратить с пользой, можно исследовать биомаркеры старения и комбинации геропротекторов.

А тем, кто не сможет дожить до появления радикальных технологий продления жизни, узкий искусственный интеллект сможет помочь иным образом, — предоставив два варианта резервного копирования личности, крионику и цифровое бессмертие.

В области крионики — приложения искусственного интеллекта могут, снимая информацию с носимых устройств, вовремя предупредить криоорганизацию пациента о надвигающейся смерти. Криоконсервацию можно назвать «планом B», тогда как «план A» — это выжить до создания эффективной технологии продления жизни.

Цифровое бессмертие  — это концепция сохранения цифровых данных человека в надежде, что искусственный интеллект в будущем сможет «восстановить» человека с использованием ДНК, видеозаписей и другой информации, полученной, например, из социальных сетей. Можно будет это сделать или нет — зависит от возможностей искусственного интеллекта, количества требуемой информации и природы человеческой личности. Искусственный интеллект может помочь собрать и сохранить данные, чтобы обеспечить потенциальную возможность цифрового бессмертия, и выполнить первоначальный анализ этих данных. Цифровое бессмертие — это «план C» в достижении радикального продления жизни.

Заметим, что раннее появление передовых форм искусственного интеллекта может сделать эти три подхода устаревшими, прежде чем они будут реализованы.