Revolucionarno sodelovanje med raziskovalci na Univerzi v Cambridgeu in farmacevtskim podjetjem Pfizer je privedlo do inovativnega pristopa v odkrivanju in razvoju zdravil. Z združevanjem avtomatiziranih eksperimentov z umetno inteligenco (UI) je ekipa izkoristila moč strojnega učenja, da bi revolucionirala način ustvarjanja novih zdravil.
Tradicionalno se je odkrivanje zdravil zanašalo na preskusno napako metode, kar je pogosto vodilo do visokih stopenj neuspeha. Konvencionalen pristop je vključeval simulacijo kemijskih reakcij s pomočjo poenostavljenih modelov, ki so bili računsko zahtevni in nagnjeni k netočnostim. Vendar pa nova tehnika, ki jo je razvila ekipa iz Cambridgea in imenovana kemični “reaktom”, obeta spremembo igre.
Kemični reaktom je metoda, ki temelji na podatkih in prepoznava povezave med reaktanti, reagenti in uspešnostjo reakcije. Z analizo obsežnega nabora podatkov z več kot 39.000 relevantnih reakcij ne le razkriva obstoječe vrzeli v podatkih, ampak tudi odkriva skrite povezave med komponentami reakcije in rezultati. Ta pristop, skupaj z avtomatiziranimi eksperimenti visoke pretočnosti, postavlja kemijo v dobo obdelave obsežnih podatkov.
Poleg kemičnega reaktoma je ekipa razvila tudi strojnoučno metodo natančnih molekulskih preobrazb. Ta metoda omogoča kemikom, da izvedejo določene spremembe na jedru molekule, podobno kot zadnji trenutek popravek oblikovanja. Ta prilagodljivost je ključna pri učinkovitem oblikovanju zdravil, zlasti za reakcije funkcionalizacije v pozni fazi, ki so pogosto nepredvidljive in težko nadzorljive.
Da bi premagali omejitve redkih podatkov pri funkcionalizaciji v pozni fazi, so raziskovalci izšolali svoj model strojnega učenja na obsežnih spektroskopskih podatkih. Pred-trening je omogočil modelu natančno napovedovanje mest reakcije in njihovih variacij pri različnih pogojih. Eksperimentalna validacija modela na raznolikem naboru molekul, podobnih zdravilom, je dokazala njegovo sposobnost natančnega napovedovanja reaktivnostnih mest.
Uporaba strojnega učenja v kemiji je pogosto ovirala pomanjkanje podatkov v primerjavi z obsežnostjo kemijskega prostora. Vendar pa je pristop ekipe iz Cambridgea, ki vključuje oblikovanje modelov, ki se učijo na podobnih, vendar ne enakih podatkovnih nizih, rešil to izzivanje. Ta preboj ima potencial za pomembne napredke pri odkrivanju in oblikovanju zdravil, ki presegajo funkcionalizacijo v pozni fazi.
Študija, ki podrobno opisuje to revolucionarno delo, je bila objavljena v reviji Nature Communications. S prihodom strojnega učenja v farmacevtsko industrijo obetajoča prihodnost odkrivanja in oblikovanja zdravil. Z izkoriščanjem moči umetne inteligence raziskovalci lahko pričakujejo hitrejši in učinkovitejši razvoj življenjsko pomembnih zdravil.
The source of the article is from the blog papodemusica.com