机器学习加速药物配方的开发

多伦多大学的科学家已经成功地测试了使用机器学习模型来指导长效注射药物制剂的设计。潜在的机器学习算法来加速药物配方可以减少与药物开发相关的时间和成本,使有前景的新药物更快。

该研究发表在今天自然通讯并且是第一个将机器学习技术应用到聚合物长效注射药物制剂的设计。

多学科研究由克里斯汀•艾伦多伦多大学的Alan Aspuru-Guzik制药科学和从吗部门的化学和计算机科学。研究人员也加速财团的成员,一个使用人工智能和自动化的全球倡议加速所需的材料和分子的发现一个可持续发展的未来。

“这项研究需要一个关键一步数据驱动与强调长效注射剂药物配方开发,”克里斯汀·艾伦说,莱斯利在医药科学教授丹学院制药、多伦多大学。“我们已经看到了机器学习使得难以置信的leap-step进步新分子的发现有可能成为药物。我们现在致力于应用相同的技术来帮助我们设计出更好的药物制剂,最终,更好的药物。”

被认为是最有前途的治疗策略之一治疗慢性病,长效注射剂(LAI)是一种先进的药物输送系统,旨在释放货物在较长一段时间来实现长期的治疗效果。这种方法可以帮助患者更好地坚持他们的治疗方案,减少副作用,提高功效,当注射接近体内的行动。然而,实现最优数量的药物释放在所需的时间内需要广泛的发展和特征制定候选人通过广泛和耗时的实验。这种试错的方法创建了一个重要的瓶颈赖发展相比,传统类型的药物配方。

“人工智能正在改变我们做科学的方式。它有助于加快发现和优化。之前这是一个完美的例子,“人工智能”和一个“经过人工智能的时刻,显示如何影响药物输送这一多学科研究,”艾伦·Aspuru-Guzik说在化学和计算机科学教授,多伦多大学还拥有CIFAR人工智能研究椅子在多伦多向量研究所。

研究机器学习工具是否能准确地预测药物释放的速度,研究团队训练和评估一系列的十一个不同的模型,包括多元线性回归(高),随机森林(RF),光梯度提升机(lightGBM)和神经网络(NN)。数据集用来训练机器学习模型的选定的面板是由先前发表的研究的作者和其他研究小组。

“一旦我们的数据集,我们把它分为两个子集:一个用于训练模型和一个用于测试。然后我们问测试集的模型预测结果和直接与之前的实验数据。我们发现,基于树模型,特别是lightGBM,提供最精确的预测,“说Pauric Bannigan,艾伦研究小组的研究助理莱斯利丹学院制药、多伦多大学。

下一步,团队致力于应用这些预测,说明机器学习模型可以用来通知新莱的设计,该团队使用先进的分析技术提取从lightGBM模型设计标准。这使得新赖配方的设计药物目前用于治疗卵巢癌。“一旦训练模型,你可以努力解释机器学习和使用新系统开发设计标准,“Bannigan说。一旦准备好,药物释放率进行了测试,进一步验证了由lightGBM预测模型。“果然,制定缓释率,我们正在寻找。这是很重要的,因为在过去可能已经我们几个迭代发布概要文件这样,与机器学习我们到那里,”他说。

当前的研究结果是令人鼓舞的信号,机器学习的潜力减少依赖试错测试发展的步伐减慢长效注射剂。然而,该研究的作者发现缺乏可用的开源数据集在医药科学代表着未来发展的重大挑战。“当我们开始这个项目时,我们很吃惊地缺乏数据使用聚合物微粒在大量研究报道,”艾伦说。”这意味着进入他们的研究和工作不能用于开发的机器学习模型,我们需要推动这一领域的发展,”艾伦说。”有一个真正的需要创建健壮的数据库在医药科学开放访问和可用,这样我们可以共同进步,”她说。

促进走向访问数据库需要支持机器学习融入制药科学更广泛地说,艾伦和研究团队让他们数据集和代码Zenodo和可用的开源平台。

“这项研究为我们的目标是降低进入壁垒在医药科学,应用机器学习“Bannigan说。“我们使我们的数据集完全可用,所以其他人可以希望建立在这项工作。我们希望这是事情的开始,而不是故事的结局为机器学习在药物配方。”

参考:RJ Bannigan P,保Z, Hickman et al。机器学习模型来加速聚合物长效注射剂的设计。Nat Commun。2023;14 (1):35。doi:10.1038 / s41467 - 022 - 35343 - w

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。