S'inscrire maintenant

S'identifier

Mot de passe perdu

Mot de passe perdu? S'il vous plaît entrer votre adresse e-mail. Vous recevrez un lien et créez un nouveau mot de passe par e-mail.

Ajouter un enregistrement

Vous devez vous connecter pour ajouter après .

Ajouter une question

Vous devez vous connecter pour poser une question.

S'identifier

S'inscrire maintenant

Bienvenue sur Scholarsark.com! Votre inscription vous donnera accès à l'utilisation de plus de fonctionnalités de cette plate-forme. Vous pouvez poser des questions, apporter des contributions ou de fournir des réponses, Voir les profils d'autres utilisateurs et bien plus encore. inscrire maintenant!

algorithme d'apprentissage automatique aide à la recherche de nouveaux médicaments

Les chercheurs ont conçu un algorithme d'apprentissage automatique pour la découverte de médicaments qui a été montré deux fois plus efficace que la norme de l'industrie, ce qui pourrait accélérer le processus de développement de nouveaux traitements pour les maladies.

Les chercheurs, dirigé par l'Université de Cambridge, utilisé leur algorithme pour identifier quatre nouvelles molécules qui activent une protéine qui est considérée comme pertinente pour les symptômes de la maladie d'Alzheimer et la schizophrénie. le résultats sont présentés dans la revue PNAS.

Un problème clé dans la découverte de médicaments prédit si une molécule active un processus physiologique particulier. Il est possible de construire un modèle statistique en recherchant des modèles chimiques partagées entre des molécules connues pour activer ce processus, mais les données pour construire ces modèles est limitée parce que les expériences sont coûteuses et il est difficile de savoir quels modèles chimiques sont statistiquement significatives.

« L'apprentissage de la machine a réalisé d'importants progrès dans des domaines tels que la vision de l'ordinateur où les données sont abondantes,» A déclaré le Dr Lee Alpha du laboratoire Cavendish de Cambridge, et auteur principal de l'étude. « La prochaine étape est des applications scientifiques telles que la découverte de médicaments, où la quantité de données est relativement limité, mais nous avons des idées physiques sur le problème, et la question est de savoir comment marier les données avec la chimie et la physique fondamentale « .

L'algorithme développé par Lee et ses collègues, en collaboration avec la société biopharmaceutique Pfizer, utilise les mathématiques pour séparer les motifs chimiques pharmacologiquement pertinentes de non pertinents.

Il est important, l'algorithme regarde les deux molécules connues pour être actives et des molécules connues pour être inactif et apprend à reconnaître quelles parties des molécules sont importantes pour l'action des médicaments et qui ne sont pas parties. Un principe mathématique connue comme la théorie des matrices aléatoires donne des prédictions sur les propriétés statistiques d'un ensemble de données aléatoire et bruyante, qui est ensuite comparée aux statistiques des caractéristiques chimiques des molécules actives / inactives qui distillent les modèles chimiques sont vraiment importants pour la liaison par opposition à simplement par hasard découlant.

Cette méthodologie permet aux chercheurs de pêcher des modèles chimiques importants non seulement des molécules actives mais aussi des molécules qui sont inactives - en d'autres termes, expériences ratées peuvent désormais être exploités avec cette technique.

Les chercheurs ont construit un modèle en commençant par 222 molécules actives et ont pu écran informatiquement, six millions supplémentaires molécules. de cette, les chercheurs ont achetés et a projeté le 100 la plupart des molécules concernées. De ces, ils ont identifié quatre nouvelles molécules qui activent le récepteur CHRM1, une protéine qui peut être pertinente pour la maladie d'Alzheimer et la schizophrénie.

« La capacité de pêcher quatre molécules actives de six millions est comme trouver une aiguille dans une botte de foin,» A déclaré Lee. « Une comparaison tête à tête montre que notre algorithme est deux fois plus efficace que la norme de l'industrie. »

Faire des molécules organiques complexes est un défi important en chimie, et les médicaments potentiels ne manquent pas dans l'espace des molécules encore-unmakeable. Les chercheurs de Cambridge développent actuellement des algorithmes qui permettent de prédire des façons de synthétiser des molécules organiques complexes, ainsi que l'extension de la méthode d'apprentissage automatique à la découverte des matériaux.


La source: www.cam.ac.uk

Auteur

Sur Marie

Laisser une réponse