Machine learning algoritme helpt bij de zoektocht naar nieuwe geneesmiddelen
Onderzoekers hebben ontwierp een machine learning algoritme voor het ontdekken van geneesmiddelen waarvan is aangetoond dat twee keer zo efficiënt als de industrie standaard te zijn, die kan het proces van de ontwikkeling van nieuwe behandelingen voor de ziekte te versnellen.
De onderzoekers, onder leiding van de Universiteit van Cambridge, gebruikten hun algoritme om vier nieuwe moleculen die een eiwit waarvan wordt aangenomen dat relevant is voor de symptomen van de ziekte van Alzheimer en schizofrenie te activeren te identificeren. De uitslagen worden gerapporteerd in het tijdschrift PNAS.
Een belangrijk probleem bij geneesmiddelen wordt voorspellen of een molecuul een bepaald fysiologisch proces activeert. Het is mogelijk om een statistisch model te bouwen door te zoeken naar chemische patronen gedeeld door moleculen bekend om dat proces te activeren, maar de gegevens om deze modellen te bouwen is beperkt, omdat experimenten zijn kostbaar en het is onduidelijk welke chemische patronen zijn statistisch significant.
“Machine learning heeft aanzienlijke vooruitgang geboekt in gebieden zoals computer vision waar de gegevens is er in overvloed,”Zei Dr Alpha Lee van Cavendish Laboratory van Cambridge, en hoofdauteur van de studie. “De volgende grens is wetenschappelijke toepassingen zoals drug discovery, waarbij de hoeveelheid data is relatief beperkt, maar hebben wij fysieke inzichten over het probleem, en wordt de vraag hoe de gegevens van de fundamentele chemie en fysica te trouwen.”
Het algoritme is ontwikkeld door Lee en zijn collega's, in samenwerking met biofarmaceutisch bedrijf Pfizer, met wiskunde de farmacologisch relevante chemische patronen uit irrelevante scheiden.
Belangrijk, het algoritme kijkt naar beide moleculen bekend actief en moleculen waarvan bekend is inactief en leert herkennen welke delen van de moleculen van belang voor geneesmiddelwerking en welke delen niet. Een wiskundig principe bekend als random matrix theorie geeft voorspellingen over de statistische eigenschappen van een willekeurig en lawaaierige dataset, dat dan wordt vergeleken met de statistieken van chemische kenmerken van actieve / inactieve moleculen destilleren waarop chemische patronen echt belangrijk voor binding, in tegenstelling tot eenvoudigweg ontstaan door toeval.
Deze methode maakt het mogelijk de onderzoekers te vissen uit belangrijke chemische patronen niet alleen van moleculen die actief zijn, maar ook van moleculen die niet actief zijn - met andere woorden, mislukte experimenten kunnen nu worden benut met deze techniek.
De onderzoekers bouwden een model te beginnen met 222 actieve moleculen en waren in staat om het scherm computationeel nog eens zes miljoen moleculen. Van dit, de onderzoekers gekocht en gescreend de 100 meest relevante moleculen. Van deze, Zij identificeerden vier nieuwe moleculen die de CHRM1 receptor te activeren, een eiwit dat relevant is voor de ziekte van Alzheimer en schizofrenie kunnen zijn.
“De mogelijkheid om te vissen uit vier actieve moleculen uit zes miljoen is als zoeken naar een naald in een hooiberg,”Zei Lee. “A head-to-head vergelijking blijkt dat ons algoritme twee keer zo efficiënt als standaard.”
Het maken van complexe organische moleculen is een belangrijke uitdaging in de chemie, en potentiële geneesmiddelen in overvloed in de ruimte van weer-unmakeable moleculen. De Cambridge onderzoekers zijn momenteel het ontwikkelen van algoritmen die manieren om complexe organische moleculen te synthetiseren voorspellen, en verlenging van de machine learning methode om materialen ontdekking.
Bron: www.cam.ac.uk
Laat een antwoord achter
Je moet Log in of registreren om een nieuwe opmerking toe te voegen .