Et banebrytende samarbeid mellom forskere ved University of Cambridge og legemiddelselskapet Pfizer har ført til en revolusjonerende tilnærming til legemiddeloppdagelse og -utvikling. Ved å kombinere automatiserte eksperimenter med kunstig intelligens (AI), har teamet utnyttet kraften til maskinlæring for å revolusjonere måten nye legemidler blir skapt på.
Tradisjonelt har legemiddeloppdagelse vært avhengig av prøve-og-feile-metoder, som ofte resulterte i høye feilrater. Den konvensjonelle tilnærmingen involverte simulering av kjemiske reaksjoner ved hjelp av forenklede modeller som var beregningsmessig krevende og utsatt for unøyaktigheter. Den nye teknikken utviklet av Cambridge-teamet, kalt den kjemiske «reaktomes», vil imidlertid endre spillet.
Den kjemiske reaktomen er en datadrevet metode som identifiserer sammenhenger mellom reaktanter, reagenser og ytelsen til en reaksjon. Ved å analysere en stor datasett med over 39 000 relevante reaksjoner, ikke bare avdekker den eksisterende hull i data, men den avslører også skjulte relasjoner mellom reaksjonskomponenter og resultater. Denne tilnærmingen, kombinert med høykapasitets automatiserte eksperimenter, tar kjemi inn i den store datatid.
I tillegg til den kjemiske reaktomen har teamet også utviklet en maskinlæringsmetode for presise molekylære transformasjoner. Denne metoden lar kjemikere gjøre spesifikke endringer i kjernen til et molekyl, på samme måte som en siste øyeblikksdesignjustering. Denne fleksibiliteten er avgjørende for effektivt legemiddeldesign, spesielt for funksjonalisering av sent stadium, som ofte er uforutsigbare og utfordrende å kontrollere.
For å overvinne begrensningene ved knappe data i funksjonalisering av sent stadium, trente forskerne maskinlæringsmodellen sin på omfattende spektroskopisk data. Denne forhåndstreningen gjorde det mulig for modellen å forutsi reaksjonsssteder og deres variasjoner under ulike betingelser. Eksperimentell validering av modellen på en variert mengde legemiddel-lignende molekyler beviste dens evne til å nøyaktig forutsi reaktivitetsteder.
Bruken av maskinlæring innen kjemi har ofte blitt hindret av mangel på data sammenlignet med det omfattende kjemiske rommet. Imidlertid har Cambridge-teamets tilnærming, som innebærer å designe modeller som lærer fra lignende, men ikke identiske datasett, løst denne utfordringen. Dette gjennombruddet har potensial til å åpne for betydelige fremskritt innen legemiddeloppdagelse og -design, som går utover funksjonalisering av sent stadium.
Studien som detaljerer dette banebrytende arbeidet, er publisert i tidsskriftet Nature Communications. Med fremveksten av maskinlæring i legemiddelindustrien, ser fremtiden for legemiddeloppdagelse og -design lovende ut. Ved å utnytte kraften til AI kan forskere forvente raskere og mer effektiv utvikling av livreddende medisiner.
The source of the article is from the blog windowsvistamagazine.es