Исследователи Массачусетского технологического института нашли способы внедрить искусственный интеллект, чтобы ускорить процедуру создания новых молекул с точными результатами в области медицинских исследований.
Исследование было частью проекта «Машинное обучение для фармацевтических открытий и синтеза», проведенного исследователями Массачусетского технологического института совместно с восемью медицинскими фирмами. Недавно разработанная исследователями модель искусственного интеллекта может выбирать ведущие молекулы, улучшать структуру для достижения более высокой эффективности и в то же время сохранять ее химическую достоверность.
О создании консорциума было объявлено в мае, и он определил одну ключевую проблему в разработке лекарств: оптимизацию потенциальных клиентов.
Мотивацией этого была замена неэффективного процесса модификации молекул при разработке молекул автоматизированной итерацией и обеспечение достоверности создаваемых нами молекул. – Венгун Цзинь, ведущий автор статьи о модели
Соавтор статьи Томми С. Барзилай рассказал о том, что будет дальше: «Следующим шагом будет использование этой технологии в научных кругах для использования в реальных случаях разработки фармацевтических препаратов и демонстрация того, что она может помочь химикам-людям в выполнении их работы, что может быть сложным».
Модель была обучена на 250 000 молекулярных графах, полученных из базы данных ZINC — коллекции трехмерных молекулярных структур, ставших общедоступными. Решаемые задачи заключались в создании действительных молекул, поиске лучших ведущих молекул и разработке новых молекул с повышенной эффективностью.
Результаты включали 100% химически действительные молекулы, полученные из распределения образца. Кроме того, уровень эффективности был на 30% выше, чем у традиционных систем. Наконец, модель может создавать новые молекулы путем модификации 800 молекул для более высокой эффективности, сохраняя при этом верность основной молекулярной структуре, и в среднем она обеспечивает улучшение эффективности более чем на 80%.
Далее будет проведено тестирование модели на свойствах, выходящих за рамки растворимости, и на тех, которые более значимы с терапевтической точки зрения. Как отмечают исследователи, для этого требуется больше данных. Они планируют разработать новую модель для развертывания с ограниченным объемом обучающих данных.