Optibrium发布了关于AI在全球制药数据中的应用的主要同行评议研究

Optibrium Limited宣布在Applied AI Letters上发表了一项同行评议研究，“Deep Imputation on large Drug Discovery Data”。

该团队与武田制药的专有全球数据集合作，应用Optibrium的Augmented Chemistry®平台，展示了深度学习imputation在降低成本和提高药物发现成功率方面的潜力。该平台利用了Intellegens公司开发的Alchemite™深度学习方法，可以对潜在药物的复杂生物特性进行更准确可靠的预测，从而实现更有效的设计决策。

该研究表明，深度学习imputation对全球制药规模、高价值和专有数据集产生了新的和有价值的见解。这样的数据集很复杂，数据来自许多不同的实验，包括生化和表型分析中的化合物活性、高通量筛选数据和吸收、分布、代谢、消除和毒性(ADMET)终点。

大多数潜在药物化合物仅在制药和生物技术公司常规使用的一小部分实验中进行测量，导致数据集中仅进行了百分之几的可能测量，这使基于此类数据对项目进展做出最佳决策变得更加复杂。此外，由于生物实验的复杂性，测量非常嘈杂。虽然这些特征限制了大多数机器学习方法的有效性，但该研究证实，增强化学®为此类具有挑战性的数据提供了有价值的见解。

该研究还发现，深度学习imputation对化合物的生物特性进行了更准确的预测，包括在项目背景下对化合物活性的前瞻性预测。特别是，它在预测复杂终点方面显示出巨大优势，例如基于细胞的分析，这些终点是资源密集型的，更准确的预测可以减少大量的时间和成本。

此外，该方法可靠地确定了决策所依据的最准确的预测，这对于避免因不准确的预测而错过宝贵的机会至关重要。它强调了需要更多的实验数据才能做出自信的决策，将其与其他机器学习和人工智能方法区分开来，这些方法难以为单个预测提供可靠的置信度信息。

之前的一项研究证明了深度学习归算在较小的特定项目数据集上的有效性，这项新研究表明，同样的方法也适用于全球制药数据集。所描述的模型建立在180万个数据点上，涉及大约70万个化合物和1200个实验端点。当应用于这种规模时，对高价值化合物和研究策略的洞察将呈指数级增长。

Optibrium的首席执行官马修·西格尔说:“这项研究证实了我们在与制药、生物技术和非营利组织的许多合作中所看到的巨大成果。我们很高兴看到我们的人工智能技术正在产生巨大的效益，以及制药界对其采用的热情。”