Optibrium发布全球制药公司主要的同行评审研究人工智能应用程序数据
Optibrium有限宣布出版的同行评议的研究应用人工智能字母,“深归罪在大规模药物发现数据”。
与武田制药合作自营全球数据集,研究小组应用Optibrium增强化学®平台,展示深度学习归责的潜力减少成本和提高药物发现的成功率。平台利用Alchemite™深度学习方法,由Intellegens开发,和显示更准确和可靠的预测复杂的生物学性质的潜在药物,使更有效的设计决策。
研究表明,深度学习对全球pharma-scale归罪生成新的和有价值的见解,高价值的和专有的数据集。这样的数据集是复杂的,数据从许多不同的实验,包括复合活动在生化和表型分析,大规模筛选数据和吸收,分布,代谢,消除,毒性(ADMET)端点。
最好的决策项目进展等更为复杂的数据大多数潜在的药物化合物是以只有一小部分的实验,制药和生物技术公司经常使用,导致数据集,只有百分之几的可能的测量。此外,由于复杂的测量非常嘈杂的生物实验。而这些特点限制大多数机器学习方法的有效性,研究证实,增强化学®提供了宝贵的见解等具有挑战性的数据。
研究还发现,深度学习归责作出了更为准确的预测化合物的生物属性,包括潜在的上下文中预测化合物的活动项目。特别是,它显示巨大的优势在预测复杂的端点,如细胞化验,资源密集型的,更准确的预测导致大幅降低时间和成本。
此外,该方法可靠地确定最准确的预测,以此为基础的决策,这是至关重要的,以避免丢失所产生的有价值的机会不准确的预测。它强调需要更多的实验数据做一个自信的决定,它有别于其他机器学习和人工智能方法,难以提供可靠的信息对个人信心的预测。
之后从先前的研究证明深度学习的有效性归罪在较小的特定项目的数据集,这个新的研究表明,相同的方法扩展到全球制药公司的数据集。描述模型是建立在180万年相关数据点大约700000化合物和1200实验端点。如此规模的应用时,见解高价值的化合物和研究策略指数增长。
马修•西格尔画,CEO Optibrium说:“这项研究证实了巨大的结果我们已经看到在许多与制药公司合作,生物技术和非营利性组织。我们兴奋地看到显著的好处我们的人工智能技术在制药生产和热情的吸收社区。”