Vaistų atradimo srityje dėl didelio masto tyrimų ir generatyviosios dirbtinio intelekto pagalbos buvo pastebėtas reikšmingas potencialių vaistų kandidatų skaičius. Tačiau pagrindinis iššūkis yra identifikuoti molekules su idealiomis vaisto savybėmis. Čia į pagalbą ateina ADMET-AI.
ADMET-AI yra pažangi mašininio mokymosi platforma, kuri buvo sukurtas Stanfordo universiteto ir Greenstone Biosciences tyrimų darbuotojų. Ji yra skirta greitai ir tiksliai prognozuoti ADMET savybes plačiam cheminės medžiagos bibliotekų sąrišyje.
Platforma naudoja grafų neuroninį tinklą, vadinamą Chemprop-RDKit, kuris įtraukia 200 RDKit apskaičiuojamų fizikoscheminių molekulinės savybių. Šis unikalus derinys leidžia ADMET-AI prognozuoti plačią kiekį ADMET savybių su ypatingu tikslumu.
ADMET-AI buvo apmokytas naudojant 41 duomenų rinkinius iš Therapeutics Data Commons ir jis lenkia kitus prognozavimo įrankius, atlikti greitaveikos ir tikslumo prasme. Jis taip pat parodė savo efektyvumą regresijos ir klasifikavimo uždaviniuose per šiuos duomenų rinkinius.
Viena pastebima ADMET-AI savybė yra nepriekaištingas greitis. Šios platformos internetinės serverio versija yra 45% greitesnė nei kitas greičiausias ADMET interneto serveris. Lokali ADMET-AI versija turi didelių mastų prognozavimo galimybes, sugebančias apdoroti vieną milijoną molekulių vos per 3,1 valandos.
Reziumuojant, ADMET-AI yra didžiulis šuolis vaistų atradime, siūlydamas greitą, tikslų ir adaptuojamą platformą, skirtą masiniams cheminių bibliotekų analizavimui. Jos tikslumas prognozuojant ADMET savybes ir galimybė teikti kontekstinias prognozes pagal licencijuotų vaistų sąrašą prideda didelę vertę tyrėjams ir praktikams. Su greičiu, tikslumu ir naudotojui draugiškomis sąsajomis ADMET-AI atitinka efektyvaus sietuvo įrankių paklausą sudėtingėjančioms vaistų atradimo kampanijoms ir plečiantis cheminiams erdvėms.
Daugiau informacijos apie ADMET-AI galite rasti moksliniame straipsnyje, projekte ir Github platformoje. Sekite mus „Twitter“ ir būkite informuoti apie naujausias naujienas ir pažangas.
The source of the article is from the blog mivalle.net.ar