Regístrate ahora

Iniciar sesión

Contraseña perdida

Perdiste tu contraseña? Por favor, introduzca su dirección de correo electrónico. Recibirá un enlace y se creará una nueva contraseña por correo electrónico.

Añadir mensaje

Debe iniciar sesión para añadir notas .

Añadir pregunta

Debe iniciar sesión para hacer una pregunta.

Iniciar sesión

Regístrate ahora

Bienvenido a Scholarsark.com! Su registro le conceda el acceso a la utilización de más características de esta plataforma. Puede hacer preguntas, hacer contribuciones o proporcionar respuestas, ver los perfiles de otros usuarios y mucho más. Regístrate ahora!

algoritmo de aprendizaje automático ayuda en la búsqueda de nuevos fármacos

Los investigadores han diseñado un algoritmo de aprendizaje automático para el descubrimiento de fármacos que ha demostrado ser dos veces tan eficiente como el estándar de la industria, lo que podría acelerar el proceso de desarrollo de nuevos tratamientos para la enfermedad.

Los investigadores, dirigido por la Universidad de Cambridge, utilizado su algoritmo para identificar cuatro nuevas moléculas que activan una proteína que se cree que es relevante para los síntomas de la enfermedad de Alzheimer y la esquizofrenia. los resultados se informó en la revista PNAS.

Un problema clave en el descubrimiento de fármacos es la predicción de si una molécula se activará un proceso fisiológico particular. Es posible construir un modelo estadístico mediante la búsqueda de patrones químicos compartidos entre moléculas conocidas para activar ese proceso, pero los datos para construir estos modelos está limitada porque los experimentos son costosos y no está claro qué patrones químicos son estadísticamente significativas.

“El aprendizaje automático ha logrado avances significativos en áreas como la visión por ordenador donde los datos son abundantes,”Dijo el Dr. Lee de Alfa Laboratorio Cavendish de Cambridge, y autor principal del estudio. “La próxima frontera es aplicaciones científicas tales como el descubrimiento de fármacos, donde la cantidad de datos es relativamente limitada, pero sí tenemos conocimientos físicos sobre el problema, y la pregunta es cómo se casan con los datos de la química y la física fundamental “.

El algoritmo desarrollado por Lee y sus colegas, en colaboración con la compañía biofarmacéutica Pfizer, utiliza las matemáticas para separar patrones químicos farmacológicamente relevantes de los irrelevantes.

En tono rimbombante, las miradas de algoritmo en ambas moléculas que se sabe que activa y moléculas conocidas por ser inactivo y aprende a reconocer que partes de las moléculas son importantes para la acción del fármaco y que partes no son. Un principio matemática conocida como teoría de la matriz al azar da predicciones acerca de las propiedades estadísticas de un conjunto de datos al azar y ruidoso, que se compara luego contra las estadísticas de las características químicas de las moléculas activas / inactivas para destilar el que los patrones químicos son verdaderamente importantes para la unión a diferencia surge simplemente por casualidad.

Esta metodología permite a los investigadores descubrir patrones químicos importantes no solo de moléculas activas sino también de moléculas inactivas, en otras palabras., los experimentos fallidos ahora pueden ser explotados con esta técnica.

Los investigadores construyeron un modelo a partir de 222 moléculas activas y fueron capaces de seleccionar computacionalmente seis millones de moléculas adicionales. De esto, los investigadores compraron y examinaron el 100 moléculas más relevantes. A partir de estos, identificaron cuatro nuevas moléculas que activan el receptor CHRM1, una proteína que puede ser relevante para la enfermedad de Alzheimer y la esquizofrenia.

“La capacidad de pescar cuatro moléculas activas de seis millones es como encontrar una aguja en un pajar," dijo lee. “Una comparación cabeza a cabeza demuestra que nuestro algoritmo es dos veces tan eficiente como el estándar de la industria.”

Haciendo moléculas orgánicas complejas es un reto importante en la química, y fármacos potenciales abundan en el espacio de moléculas todavía-unmakeable. Los investigadores de Cambridge están desarrollando algoritmos que predicen la manera de sintetizar moléculas orgánicas complejas, así como ampliar la metodología de aprendizaje de máquina para el descubrimiento de materiales.


Fuente: www.cam.ac.uk

Acerca de Marie

Deja una respuesta