Lægemiddelindustrien stræber konstant efter mere effektive og innovative metoder til lægemiddelopdagelse. Konventionelle metoder som høj gennemstrømningsscreening (HTS) har begrænsninger, da de kun kan evaluere en lille brøkdel af de kommercielt tilgængelige molekyler. Men med fremkomsten af kunstig intelligens (AI) og maskinlæring (ML) er der håb om en mere innovativ tilgang.
Atomwise, et teknologidrevet medicinalfirma, er førende inden for brugen af AI og ML til lægemiddelopdagelse. Deres proprietære platform, AtomNet, anvender dybdegående læringsmetoder til strukturbaseret lægemiddeldesign. AtomNet anvender en virtuel HTS-tilgang ved at søge i et kemisk bibliotek indeholdende et betydeligt antal syntetiserbare forbindelser på over 15 quadrillioner i alt. Dette gør det muligt for AtomNet at udforske nyt kemisk rum og identificere potentielle hits.
En nylig undersøgelse fra Atomwise AIMS (Artificial Intelligence Molecular Screen) initiativet viser potentialet ved beregningsmæssig screening som et levedygtigt alternativ til fysisk HTS. Undersøgelsen anvendte AtomNet på 318 forskellige mål, identificeret gennem samarbejde med over 250 akademiske laboratorier i 30 lande. AtomNet identificerede succesfuldt strukturelt nye hits til 235 ud af de 318 mål, hvilket resulterede i en bemærkelsesværdig succesrate på 74%. Dette overgår typisk opnåede succesrater gennem konventionelle HTS-metoder, estimeret til omkring 50%.
Ud over succesraten i identificeringen af hits til forskellige mål er AtomNets evne bemærkelsesværdig. Hits blev fundet på tværs af forskellige proteinklasser og store terapeutiske områder, herunder onkologi, infektiøse sygdomme, neurologi, immunologi og kardiovaskulære sygdomme. Bemærkelsesværdige gennembrud inkluderer identifikationen af den første reducer til Miro1, et nyt mål for behandling af Parkinsons sygdom. Derudover opdagede AtomNet succesfuldt de første inhibitorer til udfordrende deubiquitinase-mål (OTUD7A og OTUD7B), der er relaterede til faste og hæmatologiske tumorer. Derudover har AtomNet identificeret små molekyleinhibitorer til CTLA-4, et veletableret mål i onkologi.
FAQ
Hvad er høj gennemstrømningsscreening (HTS)?
Høj gennemstrømningsscreening er en metode, der anvendes i lægemiddelopdagelse til hurtigt at teste et stort antal forbindelser for potentiel terapeutisk aktivitet. Den tillader forskere at evaluere egenskaberne ved tusindvis eller endda millioner af molekyler og identificere potentielle kandidater til yderligere udvikling.
Hvad er kunstig intelligens (AI) i lægemiddelopdagelse?
Kunstig intelligens i lægemiddelopdagelse dækker over brugen af computeralgoritmer og maskinlæringsteknikker til at analysere store mængder data og identificere potentielle lægemiddelkandidater. AI kan hjælpe forskere i forskellige aspekter af lægemiddelopdagelsesprocessen, herunder identifikation af mål, virtuel screening og optimering af førende forbindelser.
Hvad er AtomNet?
AtomNet er en AI/ML-lægemiddelopdagelsesplatform udviklet af Atomwise. Den bruger dybdegående læringsalgoritmer til at analysere molekylære strukturer og forudsige deres potentielle aktivitet mod specifikke proteinmål. AtomNet er blevet trænet på en stor mængde molekylære data og demonstrerer en høj succesrate i identifikationen af hits til en bred vifte af mål.
Hvordan adskiller AtomNet sig fra traditionel høj gennemstrømningsscreening?
AtomNet adskiller sig fra traditionelle metoder til høj gennemstrømningsscreening ved, at det er en beregningsmæssig tilgang i stedet for en fysisk en. Mens konventionel HTS er afhængig af fysisk at teste forbindelser i laboratoriet, anvender AtomNet AI- og ML-algoritmer til virtuelt at screene et stort kemisk bibliotek og identificere potentielle hits. Denne tilgang muliggør en bredere udforskning af kemisk rum og kan potent
Kilde: example.com
The source of the article is from the blog zaman.co.at