SyntheticGestalt og Enamine, begge ledende inden for AI og kemiske byggesten, har slået sig sammen for at udvikle avancerede AI-modeller, der kan generere biologisk aktive forbindelser til lægemiddelopdagelse. Dette samarbejde har til formål at optimere egenskaberne for disse forbindelser og optimere lægemiddelopdagelsesprocessen.
Enamines REAL-database, der indeholder imponerende 38 milliarder molekyler, vil blive integreret i SyntheticGestalts lægemiddelopdagelsestjeneste. Denne service bruger proprietære AI-modeller til at vurdere de fysisk-kemiske og ADME/Tox-egenskaber ved forbindelser. Hvis der opstår problemer, vil tjenesten levere alternative forbindelser med forbedrede egenskaber.
Enamine vil derefter syntetisere de valgte forbindelser inden for en bemærkelsesværdigt kort periode på 3-4 uger. Virksomheden vil også udføre farmakologiske in vitro-test af valgte forbindelser og derved forkorte hele opdagelsescyklussen. Denne strømlinede proces lover at fremskynde udviklingen af nye terapeutiske muligheder.
Yderligere vil SyntheticGestalt forbedre sin forudtrænede AI-model ved at inkorporere data fra Enamine. Dette vil skabe verdens største forudtrænede model baseret på 3D-forbindelsesstrukturer og markant forbedre den forudsigelige nøjagtighed af SyntheticGestalts maskinlæringsmodeller.
De resulterende modeller vil være tilgængelige til fælles forskning for interesserede parter og vil blive præsenteret på NVIDIAs prestigefyldte arrangement, NVIDIA GTC Japan AI Day, i marts 2024. Dette samarbejde repræsenterer et markant skridt fremad i AI-lægemiddelopdagelse og tilbyder et enormt potentiale for udviklingen af nye og effektive lægemidler.
Iaroslava Kos, direktør for forretningsudvikling hos Enamine, udtrykte entusiasme for samarbejdet og udtalte: “De muligheder, der tilbydes af AI/ML-baserede beregningsdesigns i opdagelsen af nye lægemidler, kan ikke undervurderes.” Hun understregede også de fælles mål og ekspertise, som begge virksomheder bidrager med.
Koki Shimada, administrerende direktør for SyntheticGestalt, fremhævede betydningen af at udvikle forudtrænede modeller ved hjælp af data fra den virkelige verden. Han mener, at deres ultra-stor forudtrænede model vil revolutionere AI-lægemiddelopdagelse, ligesom den store skala forudtræning har haft indflydelse på sprogmodeller.
Dette banebrydende samarbejde repræsenterer et stort skridt fremad inden for AI-lægemiddelopdagelse og lover en enorm fremtidig potentiale for farmaceutisk forskning og udvikling.
The source of the article is from the blog revistatenerife.com