|
ИИ напрямую сравнит свойства новых лекарств
|
|
|
|
Биомедицинские инженеры из Университета Дьюка разработали платформу искусственного интеллекта, которая автономно сравнивает молекулы и учится на их вариациях, чтобы предвидеть различия в свойствах, имеющие решающее значение для открытия новых фармацевтических препаратов. Платформа предоставляет исследователям более точный и эффективный инструмент, помогающий разрабатывать терапевтические препараты и другие химические вещества с полезными свойствами. Исследование было опубликовано 27 октября в журнале Cheminformatics. Алгоритмы машинного обучения все чаще используются для изучения и прогнозирования биологических, химических и физических свойств малых молекул, используемых при разработке лекарств и других задачах проектирования материалов. Эти инструменты могут помочь исследователям понять ключевые свойства молекулы «ADMET» — как она всасывается, распределяется, метаболизируется, выводится из организма, а также ее токсичность в организме. Понимая эти различные свойства, исследователи могут идентифицировать молекулы для разработки новых терапевтических средств, которые будут более безопасными и эффективными.
|
|
|
|
Хотя существующие платформы машинного обучения позволяют исследователям проверять гораздо большее количество молекул, чем это было бы возможно, физически создав их все в лаборатории, они могут прогнозировать свойства только одной молекулы за раз, что ограничивает их общую эффективность, когда перед ними стоит задача идентифицировать самый оптимальный состав. Хотя существует несколько других вычислительных подходов, позволяющих исключить этот дополнительный шаг и напрямую сравнить молекулы, их возможности ограничены. Например, такие методы, как возмущение свободной энергии, очень точны, но настолько сложны в вычислительном отношении, что могут одновременно оценить лишь несколько молекул. С другой стороны, такие подходы, как сопоставление молекулярных пар, работают намного быстрее, но позволяют сравнивать только очень похожие молекулы, что ограничивает их более широкое использование. Чтобы решить эту проблему, Рекер и Закари Фралиш, доктор философии. Студент лаборатории Рекера разработал DeepDelta — подход глубокого обучения, который позволяет эффективно сравнивать две молекулы одновременно и предсказывать различия в свойствах между ними, даже если они сильно различаются.
|
|
|
«Заставляя сеть учиться на основе сравнения один к одному, вы даете ей больше точек данных, чем если бы она обучалась по одной молекуле за раз», — сказал Рекер. «Платформа изучает структуру и свойства каждой молекулы индивидуально, но также изучает различия между ними и то, как эти различия влияют на свойства молекулы». Команда протестировала платформу DeepDelta на двух современных моделях: Random Forest, широко используемой классической модели машинного обучения, и ChemProp, глубокой нейронной сети, на которой основана DeepDelta. Каждая система сравнила две известные молекулярные структуры и предсказала 10 различных свойств ADMET, включая то, как молекулы выводятся из почек, их соответствующие периоды полураспада и насколько хорошо они могут метаболизироваться в печени. DeepDelta оказалась значительно более эффективной и точной в прогнозировании и количественной оценке различий в молекулярных свойствах между молекулами, чем существующие платформы.
|
|
|
|
«Обучение изучению молекулярных различий позволяет этому методу быть более точным при принятии решения о том, лучше или хуже новое химическое вещество, чем нынешнее», — сказал Фралиш. «Это похоже на выполнение домашнего задания, которое больше похоже на ваш тест. Мы также значительно увеличили размер наших наборов данных путем объединения в пары, что, по сути, дает нашим моделям больше домашней работы, что действительно помогает нейронным сетям, нуждающимся в данных, учиться больше». Теперь команда с нетерпением ждет возможности включить эту модель в свою работу при разработке потенциальных новых методов лечения и оптимизации существующих потенциальных лекарств. «С помощью этого инструмента мы могли бы рассмотреть препарат, который почти получил одобрение FDA, но, возможно, у него были проблемы с токсичностью для печени, поэтому он не прошел», — сказал Фрэлиш. «DeepDelta может помочь идентифицировать молекулы, которые обладают такими же хорошими свойствами, но не токсичны для печени. Этот инструмент открывает много возможностей, помогая нам решить, какое химическое вещество имеет наилучшие шансы сделать то, что мы хотим в реальном мире, экономя время и деньги."
|
|
|
|
Источник
|
