Algoritmo de maŝinlernado helpas en la serĉo de novaj drogoj

La esploristoj, gvidata de la Universitato de Kembriĝo, uzis ilian algoritmon por identigi kvar novajn molekulojn kiuj aktivigas proteinon kiu supozeble estas grava por simptomoj de Alzheimer-malsano kaj skizofrenio.. La Ĉiu el la kursoj/sekcioj en ĉi tiu mega kurso, kiuj venas post notado, devus esti vidita en ĉi tiu kadro estas raportitaj en la revuo PNAS.

Ŝlosila problemo en drogeltrovo estas antaŭdiri ĉu molekulo aktivigos specialan fiziologian procezon. Eblas konstrui statistikan modelon serĉante kemiajn ŝablonojn dividitajn inter molekuloj konataj aktivigi tiun procezon., sed la datenoj por konstrui ĉi tiujn modelojn estas limigitaj ĉar eksperimentoj estas multekostaj kaj estas neklare kiuj kemiaj ŝablonoj estas statistike signifaj..

"Maŝina lernado faris signifan progreson en areoj kiel komputila vizio kie datumoj abundas,” diris D-ro Alpha Lee de la Laboratorio Cavendish de Kembriĝo, kaj la ĉefa aŭtoro de la studo. "La sekva limo estas sciencaj aplikoj kiel ekzemple malkovro de drogoj, kie la kvanto de datumoj estas relative limigita sed ni ja havas fizikajn komprenojn pri la problemo, kaj la demando fariĝas kiel geedziĝi datumojn kun fundamenta kemio kaj fiziko."

La algoritmo disvolvita de Lee kaj liaj kolegoj, kunlabore kun biofarmacia firmao Pfizer, uzas matematikon por apartigi farmakologie trafajn kemiajn ŝablonojn de senrilataj.

Grave, la algoritmo rigardas kaj molekulojn konatajn esti aktivaj kaj molekulojn konatajn esti neaktivaj kaj lernas rekoni kiuj partoj de la molekuloj estas gravaj por drog-ago kaj kiuj partoj ne estas.. Matematika principo konata kiel hazarda matrica teorio donas prognozojn pri la statistikaj trajtoj de hazarda kaj brua datumaro., kiu tiam estas komparita kontraŭ la statistiko de kemiaj trajtoj de aktivaj/neaktivaj molekuloj por distili kiuj kemiaj padronoj estas vere gravaj por ligado kontraste al ekesti simple hazarde..

Ĉi tiu metodaro permesas al la esploristoj eltrovi gravajn kemiajn ŝablonojn ne nur de molekuloj kiuj estas aktivaj sed ankaŭ de molekuloj kiuj estas neaktivaj - alivorte., malsukcesaj eksperimentoj nun povas esti ekspluatitaj per ĉi tiu tekniko.

La esploristoj konstruis modelon komencante per 222 aktivaj molekuloj kaj povis komputile ekzameni pliajn ses milionojn da molekuloj. De ĉi tio, la esploristoj aĉetis kaj ekzamenis la 100 plej gravaj molekuloj. De ĉi tiuj, ili identigis kvar novajn molekulojn kiuj aktivigas la CHRM1-receptoron, proteino kiu povas esti grava por Alzheimer-malsano kaj skizofrenio.

"La kapablo elkapti kvar aktivajn molekulojn el ses milionoj estas kiel trovi pinglon en fojnamaso.,” diris Lee. "Ĉef-al-kapa komparo montras, ke nia algoritmo estas duoble pli efika ol la industria normo."

Fari kompleksajn organikajn molekulojn estas signifa defio en kemio, kaj eblaj drogoj abundas en la spaco de ankoraŭ nefareblaj molekuloj. La Kembriĝaj esploristoj nuntempe disvolvas algoritmojn, kiuj antaŭdiras manierojn sintezi kompleksajn organikajn molekulojn, same kiel etendi la maŝinlernadmetodaron al materiala malkovro.

Fonto: www.cam.ac.uk