Inovatyvi bendradarbiavimo iniciatyva tarp Kembričo universiteto tyrėjų ir farmacijos įmonės Pfizer atnešė transformuojantį požiūrį į vaistų atradimą ir plėtrą. Kombinuojant automatizuotus eksperimentus su dirbtiniu intelektu (AI), ši komanda išnaudojo mašininio mokymosi galimybes, revoliucionuodama naujų vaistų kūrimo būdą.
Tradiciškai vaistų atradimas buvo grindžiamas bandymų ir klaidų metodais, kurie dažnai baigdavosi dideliais nesėkmingumo rodikliais. Tradiciniai požiūriai apėmė cheminės reakcijos modeliavimą naudojant supaprastintus modeles, kurie buvo skaitmeniškai sudėtingi ir linkę į netikslumus. Tačiau naujas Kembričo komandos metodas, vadinamas „chemine reakcija“, pakeis žaidimų taisykles.
Chemine reakcija yra duomenimis grįstas metodas, nustatantis sąsajas tarp reagentų, prevairos ir reakcijos rezultato efektyvumo. Analizuojant didelį, apie 39 000 atitinkamų reakcijų duomenų rinkinį, šis metodas ne tik pabrėžia esamus duomenų spragas, bet ir atskleidžia paslėptas sąsajas tarp reakcijos komponentų ir rezultatų. Šis požiūris, kartu su aukšto našumo automatizuotais eksperimentais, įtraukia chemiją į didelio dydžio duomenų amžių.
Nebuvo cheminių reakcijų tikslumo metodas, komanda taip pat sukūrė mašininio mokymo galimybes tikslioms molekulinėms transformacijoms. Šis metodas leidžia chemikams tiksliai pakeisti molekulės branduolį, panašų į paskutinę projektavimo smulkmeną. Ši lankstumas yra būtinas efektyviam vaistų projektavimui, ypač vėlyvojo etapo funkcionalizacijos reakcijoms, kurios dažnai yra neprognozuojamos ir sunkiai kontroliuojamos.
Norint įveikti ribotą duomenų kiekį vėlojo funkcionalizacijos srityje, tyrėjai apmokė savo mašininio mokymosi modelį naudodami išsamią spektroskopinę informaciją. Šis išankstinis mokymas leido modeliui tiksliai prognozuoti reakcijos vietas ir jų variacijas skirtingomis sąlygomis. Eksperimentinis modelio patvirtinimas su įvairiomis panašiomis vaistinio tipo molekulėmis įrodo jo galimybes tiksliai prognozuoti reaktyvumo vietas.
Mašininio mokymo taikymas chemijoje dažnai buvo ribotas dėl duomenų trūkumo palyginti su cheminiu erdvės didumu. Tačiau Kembričo komandos požiūris, kuris apima modelių kūrimąsi iš panašių, bet ne identiškų duomenų rinkinių, išsprendė šią problemą. Šis išradimas turi potencialą atskleisti reikšmingus pažangos aspektus vaistų atradime ir projektavime, užuot apsiribojus tik vėluojančia funkcionalizacija.
Šiuo revoliucijiniu darbu detaliai aprašant šiomis studijomis paskelbtus rezultatus rūpinasi mokslinis žurnalas „Nature Communications“. Su mašininio mokymo atėjimu į farmacijos pramonę, vaistų atradimo ir projektavimo ateitis atrodo pažadinti. Išnaudojant dirbtinio intelekto galimybes, tyrėjai gali tikėtis greitesnio ir efektyvesnio gyvybiškai svarbių vaistų vystymo.
The source of the article is from the blog j6simracing.com.br