聪明的人工智能方法仅提出候选药物,可以合成

本文基于有待同行评审的研究成果。因此被视为初步结果,应该解释为这样的。了解同行评审过程的作用研究在这里。为进一步的信息,请联系引用源。

制药公司正在使用人工智能来简化新药发现的过程。机器学习模型可以提出新的分子,有特定的属性,能够对抗某些疾病,在几分钟内做什么需要人类月手动来实现。

但是有一个阻碍这些系统的主要障碍:模型经常建议新的分子结构在实验室里制造的困难或不可能。如果不能使化学家分子,其防病不能测试。

来自麻省理工学院的研究人员新方法限制了机器学习模型,因此只能合成表明分子结构。方法保证分子组成的可以购买材料,这些材料之间的化学反应发生的化学定律。

与其他方法相比,他们的模型提出了分子结构,得分高,有时更好的使用流行的评估,但保证是synthesizable。他们系统还需要不到一秒提出一种合成途径,而其他方法,分别提出了分子,然后评估他们synthesizability可能要占用几分钟的时间。在搜索空间,可以包括数十亿美元的潜在分子,这些节省下来的时间加起来。

“这个过程引出如何问这些模型来生成新的分子结构。许多这些模型考虑建立新的分子结构由原子或原子键的键。相反,我们正在建设新的分子构件和构件的反应反应,”亨利·康纳Coley说Slezynger职业发展助理教授在麻省理工学院的化学工程、电气工程和计算机科学,和论文的资深作者。

加入绿青鳕的纸第一作者朱文昊高、研究生和博士后Rocio梅尔卡多。这项研究是在本周学习国际会议上表示。

构建块

创建一个分子结构,分子模型模拟合成的过程,以确保它可以生产。

给出的模型是一套可行的构建块,可以购买的化学物质,和一系列有效的化学反应。这些化学反应模板由专家手工制作。控制这些输入只允许某些化学物质或特定反应使研究人员限制搜索空间的大小可以为新分子。

建立一个树的模型使用这些输入选择构件和连接通过化学反应,一次一个,构建最终的分子。在每一步,作为附加的化学品和更复杂的分子反应。

它输出最终的分子结构和树的化学物质和反应合成。

”而不是直接设计产品分子本身,我们设计一个操作序列获得分子。这使我们能够保证结构的质量,”高说。

训练他们的模型,研究人员输入一个完整的分子结构和一组积木和化学反应,和模型学习创建一个树,综合分子。在看到成千上万的例子,模型学会自己想出这些合成通路。

分子的优化

训练模型可以用于优化。研究人员定义特定的属性,他们想要达到最终的分子,鉴于某些构件和化学反应模板和模型提出了一种synthesizable分子结构。

“令人惊讶的是一个大比例的分子与这么小的你可以复制模板集。你不需要许多积木来生成大量的可用化学空间模型来搜索,“梅尔卡多表示。

他们测试模型通过评估它如何重建synthesizable分子。它能够重现这些分子的51%,和再现每一个花了不到一秒。

他们的技术比其他方法更快因为模型不是搜索树中的每个步骤的所有选项。它定义了一组化学物质和反应,高解释道。

当他们使用他们的模型提出分子与特定的属性,他们的方法提出更高质量的分子结构,比其他方法更强的约束力的亲和力。这意味着将能更好地附着在蛋白分子和阻止某些活动,像阻止病毒复制。

例如,当提出一个分子可以与SARS-Cov-2对接,他们的模型提出了一些分子结构,或许能更好地结合病毒蛋白质比现有的抑制剂。然而,随着作者承认,这些只是计算预测。

“有很多疾病应对,”高说。“我希望我们的方法可以加速这个过程,所以我们不必每次屏幕数十亿分子疾病的目标。相反,我们可以指定属性,它可以加速的过程发现的候选药物。”

他们的模型也可以改进现有的药物发现管道。如果一个公司已经确定一个特定的分子所需的属性,但不能产生,他们可以利用这个模型提出synthesizable分子相似,梅尔卡多表示。

现在他们验证方法,该小组计划继续改善化学反应模板来进一步提高模型的性能。与其他模板,他们可以进行更多的测试对某些疾病的目标,最后,将模型应用于药物发现进程。

这项研究支持,部分由美国海军研究办公室机器学习、药物发现和合成财团。

参考:高W,梅尔卡多R, Coley CE。摊销的树生成自下而上的规划和synthesizable分子设计合成。arXiv。2022 doi:10.48550 / arXiv.2110.06389*预印本

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。