Verwendung künstlicher Intelligenz zur Optimierung des Wirkstoffdesigns von kleinen Molekülen

Wir treiben diese Innovation voran, indem wir strukturierte und unstrukturierte Datenquellen nutzen, um neue Einsichten und Beziehungen in einem Ausmaß zu erlernen, das ansonsten nicht möglich wäre. Ein wichtiges Unterscheidungsmerkmal ist hier, wie wir mithilfe von AI das in der wissenschaftlichen Literatur und in Patenten gespeicherte Wissen extrahieren, um unser Wissensgraph der Entitätsbeziehungen von Genen, Zielen, Molekülen und Krankheiten zu verbessern.

Meine Aufgabe bei BenevolentAI als Leiter des Chemoinformatics-Teams besteht darin, die wissenschaftliche Richtung und Gültigkeit bei der Entwicklung unserer molekularen Designplattform zu bestimmen. Die Größe der medikamentenähnlichen Chemie ist wirklich groß. Wenn wir sechs Legosteine ​​nehmen, ist es möglich, sie in fast einer Milliarde Einzelkonfigurationen zu bauen. Die Steine ​​werden durch Atome ersetzt und die Zahl von sechs auf die typischere Größe eines arzneimittelähnlichen Moleküls mit 20–30 schweren Atomen erhöht. Die Größe des Raums vergrößert sich dramatisch auf wirklich astronomische Ausmaße. Die Größe dieses Bereichs macht es technisch schwierig, jedes theoretische Molekül eingehend zu untersuchen. Stattdessen verwenden wir fortschrittliche AI-Algorithmen, um diesen Raum effektiv zu testen, um die vielversprechendsten Kandidaten für die Synthese und das Testen zu untersuchen.

BenevolentAI

Die Wirkstoffsuche selbst ist ein inhärentes Multiobjektiv-Optimierungsverfahren, bei dem viele verschiedene Parameter gemeinsam optimiert werden müssen. Wir bewerten jede der Kandidatenlösungen mit mehreren Vorhersagemodellen unter Verwendung einer Reihe geeigneter Parameter, einschließlich der Einführung der synthetischen Verfolgbarkeit und sogar der Planung von Synthesewegen.

Die von BenevolentAI entwickelte Plattform gibt uns die Möglichkeit, unseren Wissenschaftlern nicht nur mitzuteilen, was sie herstellen sollen, sondern auch, wie sie die Moleküle herstellen, die für unsere Wirkstoffforschungsprogramme am relevantesten sind, und so dazu beitragen, die Gesamtheit unserer KI-gesteuert zu optimieren Medikamentenentdeckungs-Pipeline.

Nathan Brown, Leiter der Cheminformatik

Ursprünglich bei benevolent.ai veröffentlicht.