Китайски и американски учени създадоха AI модел, който да помага при разработването на нови лекарства


Учени от Китай и Съединените щати твърдят, че са разработили нов модел на изкуствен интелект (AI), който може да помогне за преодоляване на някои от основните предизвикателства пред разработването и откриването на лекарства.

Моделът, наречен ActFound, превъзхожда конкурентните модели, като същевременно преодолява предизвикателствата, свързани с използването на машинно обучение при прогнозиране на биоактивност, според статия, публикувана в Nature Machine Intelligence.

„Биоактивността обхваща различни свойства на съединенията, като тяхното взаимодействие с цели, въздействие върху биологични системи и терапевтични ефекти“, заявяват изследователите от Пекинския университет, Университета на Вашингтон и AI технологичната фирма INF Technology Shanghai.

Основните предизвикателства при използването на машинно обучение включват ограничено етикетиране на данни и несъвместимост между анализите, тестовете, които измерват активността или потенциала на лекарствата.

Моделът не само превъзхожда конкурентните AI модели, но и функционира толкова добре, колкото и свободноенергийното пертурбационно (FEP) – традиционен компютърен метод.
Въпреки че изчисленията с FEP имат висока степен на точност, екипът предупреди, че те „изискват обширни изчислителни ресурси, които често не са достъпни за мащабни приложения“.

Такива методи често разчитат на трудно достъпни триизмерни структури на протеини, които могат да бъдат получени само с използване на скъпо оборудване и обширни лабораторни процедури.
Екипът заяви, че ActFound може да функционира точно с по-малко данни, като предлага точна и по-малко скъпа алтернатива на FEP.

„Нашите обещаващи резултати показват, че ActFound може да бъде ефективен модел за основа на биоактивност за различни видове дейности“, каза Ван Шен, съответен автор и доцент в Университета на Вашингтон.

Китай е дом на процъфтяваща фармацевтична индустрия, като правителството инвестира значителни средства в научноизследователска и развойна дейност за иновативни лекарства. Някои компании са се обърнали към AI, за да открият потенциални лекарствени цели в опит да съкратят времето за разработка, като някои продукти вече са в клинични изпитвания.
„Оценката на биоактивността на съединенията е централна за откриването и разработването на лекарства“, пише екипът в своята статия.

Прогнозирането на биоактивността има за цел да предскаже стойности за съединения, помагайки на учените да идентифицират потенциално полезни съединения от голям брой кандидати, като същевременно минимизират отнемащите време и скъпи експерименти.
Но въпреки потенциала на машинното обучение, някои основни предизвикателства ограничават неговото приемане.

„Съществуващите подходи за машинно обучение имат лоша обща приложимост при прогнозиране на биоактивността поради малкия брой съединения във всеки анализ и несъвместими измервания между анализите“, пише екипът.

Фундаменталните модели, които са предварително обучени върху големи набори от данни, за да обобщят прогнозирането за неетикетирани набори от данни, са един начин за преодоляване на тези проблеми.
ActFound е обучен с помощта на 35 644 анализа от популярна химическа база данни, както и на 1,6 милиона експериментално измерени биоактивности. Той също така използва два метода на машинно обучение: метаобучение и обучение по двойки.

Метаобучението е рамка, която позволява моделът да бъде оптимизиран с помощта на ограничени етикетирани данни, за да предсказва свойствата на неизмерени съединения. Модел, обучен с голям брой анализи, може да се използва за работа в анализи с ограничени данни.

„Метаобучението е добре подходящо за прогнозиране на биоактивност, защото има сериозен недостиг на неизмерени данни за биоактивност в много проекти за откриване на лекарства поради високите разходи за лабораторни експерименти“, казва Ван.

Междувременно обучението по двойки помага за обобщаване на модела. Вместо да прогнозира потенциално несъвместими абсолютни стойности, то изчислява относителните разлики между двойки съединения.

„Нашата интуиция беше, че въпреки че съединенията от различни анализи могат да имат различни единици, диапазони на стойности или метрики за измерване, тези в рамките на един и същ анализ са сравними“, пише екипът. „Доколкото ни е известно, ние бяхме първите, които комбинираха метаобучение и обучение по двойки в прогнозиране на биоактивността.“

ActFound беше тестван на шест реални набора от данни за биоактивност и се оказа, че превъзхожда девет конкурентни модела за прогнозиране в домейна и се представя силно в прогнозирането извън домейна.
Екипът също проведе казус, за да провери дали техният модел може да се използва за прогнозиране на биоактивността на лекарства срещу рак и установи, че се представя по-добре от други модели.

„Нашите обещаващи резултати показват, че ActFound може да бъде ефективен основен модел за прогнозиране на биоактивността на съединения, проправяйки пътя за разработване и откриване на лекарства, базирани на машинно обучение“, казват от екипът.

Източник

Живейте по-добре с наука!

  • Развийте критично мислене и изградете защита срещу дезинформация.

  • Придобийте ключови умения за по-добър живот с нашите курсове във формат текст, видео и аудио.

  • Открийте новостите и иновациите в медицината.

  • Само 3 минути дневно са достатъчни, за да трансформирате живота си!

  • Всеки месец ви очаква нов брой с увлекателни статии по биология, космос, технологии, история, медицина и много други.

Изживейте науката навсякъде и по всяко време, като я четете на най-удобното за вас устройство.

 
Годишен абонамент
ВИЖ ПОВЕЧЕ
  • Безкрайно знание - списание, видеа, аудио, книги и т.н.
  • Достъп от всякъде
  • Социална мрежа за знание с хора като вас.

Създадохме платформа, която предлага курсове и ръководства, насочени към решаването на житейски предизвикателства чрез научно обосновани методи. Тя не само подпомага личностното развитие, но и предоставя ценни знания за водене на по-здравословен, успешен и пълноценен живот. Благодарение на научния подход, потребителите ще имат възможност да подобрят своето благосъстояние и да постигнат по-високо качество на живот.

БГ Наука
Powered by  GDPR Cookie Compliance
Правила на поверителност

Използваме „бисквитки“, за да персонализираме съдържанието и рекламите, да предоставяме функции на социални медии и да анализираме трафика си. Също така споделяме информация за начина, по който използвате сайта ни, с партньорските си социални медии, рекламните си партньори и партньори за анализ.

Можете да коригирате всички настройки на „бисквитките“, като отворите разделите вляво.