Tecnología e innovación

AI aprende el lenguaje de la química para predecir cómo hacer medicamentos

AI aprende el lenguaje de la química para predecir cómo hacer medicamentos
Crédito: Денис Марчук de Pixabay

los Investigadores han diseñado un algoritmo de aprendizaje de máquina que predice el resultado de reacciones químicas con mucha mayor precisión que entrenó a los químicos, y sugiere maneras para hacer que las moléculas complejas, la eliminación de un obstáculo significativo en el descubrimiento de fármacos.

la Universidad de Cambridge, los investigadores han demostrado que un algoritmo que puede predecir el resultado de complejas reacciones químicas con más de un 90% de precisión, superando capacitados químicos. El algoritmo también muestra que los químicos de cómo hacer que los compuestos de interés, proporcionando la química “mapa” para el destino deseado. Los resultados se presentan en dos estudios en las revistas ACS Central de la Ciencia y Química de las Comunicaciones.

Un desafío central en el descubrimiento de fármacos y la ciencia de materiales es encontrar maneras de hacer complicadas moléculas orgánicas por químicamente uniendo más simples bloques de construcción. El problema es que los bloques de construcción a menudo reaccionan de maneras inesperadas.

“Hacer que las moléculas se describe a menudo como un arte realizado con ensayo-y-error de experimentación ya que nuestra comprensión de la reactividad química está lejos de ser completa,” dijo el Dr. Alfa Lee desde el Laboratorio Cavendish de Cambridge, quien dirigió el estudio. “Algoritmos de aprendizaje automático puede tener una mejor comprensión de la química porque destilan los patrones de reactividad de millones de publicadas las reacciones químicas, algo que un químico no puede hacer”.

El algoritmo desarrollado por Lee y su grupo utiliza las herramientas en el reconocimiento de patrones a reconocer cómo los grupos químicos en las moléculas reaccionan, por el modelo de formación en millones de reacciones publicado en patentes.

Los investigadores observaron la reacción química de la predicción como una máquina de problema de traducción. El reaccionar las moléculas son considerados como un idioma, mientras que el producto es considerado como un idioma diferente. El modelo, a continuación, utiliza los patrones en el texto para aprender a traducir entre los dos idiomas.

el Uso de este enfoque, el modelo logra un 90% de exactitud en la predicción del producto correcto invisible reacciones químicas, mientras que la exactitud de los humanos capacitados químicos es de alrededor del 80%. Los investigadores dicen que el modelo es lo suficientemente preciso para detectar errores en los datos y predecir correctamente una plétora de difícil reacciones.

El modelo también sabe lo que no sabe. Se produce una incertidumbre de puntuación, lo que elimina las predicciones incorrectas con el 89% de exactitud. Como los experimentos son mucho tiempo, la predicción exacta es crucial para evitar perseguir caro experimental de las vías que, finalmente, terminar en un fracaso.

En el segundo estudio, Lee y su grupo con la colaboración de la compañía biofarmacéutica de Pfizer, demostrado en la práctica el potencial del método en el descubrimiento de fármacos.

Los investigadores demostraron que cuando entrenados en publicó la investigación en química, el modelo puede hacer predicciones precisas de las reacciones basadas en los cuadernos de laboratorio, mostrando que el modelo ha aprendido las reglas de la química y se puede aplicar para el descubrimiento de fármacos de configuración.

El equipo también mostró que el modelo puede predecir las secuencias de reacciones que conducen a un producto deseado. Se aplica esta metodología a diversos fármacos de moléculas, mostrando que los pasos que se predice químicamente son razonables. Esta tecnología puede reducir significativamente el tiempo de descubrimiento de medicamentos preclínicos porque proporciona químicos medicinales con un plan de por dónde empezar.

“Nuestra plataforma es como un GPS para la química”, dijo Lee, quien también es investigador en St Catherine de la Universidad. “Se informa a los químicos si una reacción es un ir o no ir, y cómo navegar por la reacción de rutas para hacer una nueva molécula.”

El Cambridge investigadores están utilizando actualmente esta reacción de predicción de la tecnología para desarrollar una completa plataforma que sirve de puente entre el diseño de-hacer-el ciclo de pruebas en el descubrimiento de fármacos y materiales de descubrimiento: la predicción de la prometedor moléculas bioactivas, maneras de hacer que las moléculas orgánicas complejas, y la selección de los experimentos que son los más informativos. Los investigadores ahora están trabajando en la extracción química de ideas del modelo, tratando de entender de qué se ha aprendido que los seres humanos no tienen.

“podemos llegar a hacer una gran cantidad de avances en la química si se aprende qué tipos de modelos, el modelo está mirando para hacer una predicción”, dijo Peter Bolgar, un Tel. D. estudiante en la química orgánica sintética involucrados en ambos estudios. “El modelo humanos y químicos juntos se volvería extremadamente potente en el diseño de experimentos, más que cada uno iba a estar sin el otro.”

Más información:
Philippe Schwaller et al. Molecular Transformador: Un Modelo para la Incertidumbre a calibrar la Reacción Química de Predicción de, ACS Central de la Ciencia (2019). DOI: 10.1021/acscentsci.9b00576

Alfa Lee et al. Molecular Transformador unifica reacción de predicción y retrosynthesis a través de pharma espacio químico, Química de las Comunicaciones (2019). DOI: 10.1039/C9CC05122H

información de Diario:



,



Alfa Lee et al. Molecular Transformador unifica reacción de predicción y retrosynthesis a través de pharma espacio químico, Química de las Comunicaciones (2019). DOI: 10.1039/C9CC05122H

Cita:
AI aprende el lenguaje de la química para predecir cómo hacer medicamentos (2019, 3 de septiembre)
recuperado el 3 de septiembre de 2019
de https://techxplore.com/news/2019-09-ai-language-chemistry-medicines.html

Este documento está sujeta a derechos de autor. Aparte de cualquier trato justo para los fines de estudio privado o de investigación, no
parte puede ser reproducida sin el permiso por escrito. El contenido se proporciona sólo para fines de información.

This content was originally published here.