Registrer deg nå

Logg Inn

Mistet Passord

Mistet passordet ditt? Vennligst skriv inn E-postadressen din. Du vil motta en lenke og opprette et nytt passord via e-post.

Legg til innlegg

Du må logge inn for å legge til innlegget .

Legg til spørsmål

Du må logge inn for å stille et spørsmål.

Logg Inn

Registrer deg nå

Velkommen til Scholarsark.com! Registreringen din gir deg tilgang til å bruke flere funksjoner på denne plattformen. Du kan stille spørsmål, gi bidrag eller gi svar, se profiler til andre brukere og mye mer. Registrer deg nå!

Maskinlæringsalgoritme hjelper i søket etter nye medisiner

Forskere har utviklet en maskinlæringsalgoritme for legemiddeloppdagelse som har vist seg å være dobbelt så effektiv som industristandarden, som kan akselerere prosessen med å utvikle nye behandlinger for sykdom.

Forskerne, ledet av University of Cambridge, brukte sin algoritme til å identifisere fire nye molekyler som aktiverer et protein som antas å være relevant for symptomer på Alzheimers sykdom og schizofreni. De Hvert av kursene/delene i dette megakurset som kommer etter notattaking skal sees i denne rammen er rapportert i journalen PNAS.

Et sentralt problem i medikamentoppdagelse er å forutsi om et molekyl vil aktivere en bestemt fysiologisk prosess. Det er mulig å bygge en statistisk modell ved å søke etter kjemiske mønstre som deles mellom molekyler som er kjent for å aktivere den prosessen, men dataene for å bygge disse modellene er begrenset fordi eksperimenter er kostbare og det er uklart hvilke kjemiske mønstre som er statistisk signifikante.

"Maskinlæring har gjort betydelige fremskritt på områder som datasyn der data er rikelig,sa Dr Alpha Lee fra Cambridges Cavendish Laboratory, og studiens hovedforfatter. «Den neste grensen er vitenskapelige anvendelser som for eksempel medikamentoppdagelse, hvor mengden data er relativt begrenset, men vi har fysisk innsikt om problemet, og spørsmålet blir hvordan man kan kombinere data med grunnleggende kjemi og fysikk."

Algoritmen utviklet av Lee og kollegene hans, i samarbeid med biofarmasøytisk selskap Pfizer, bruker matematikk for å skille farmakologisk relevante kjemiske mønstre fra irrelevante.

Viktigere, Algoritmen ser på både molekyler som er kjent for å være aktive og molekyler som er kjent for å være inaktive og lærer å gjenkjenne hvilke deler av molekylene som er viktige for medikamentvirkning og hvilke deler som ikke er. Et matematisk prinsipp kjent som tilfeldig matriseteori gir spådommer om de statistiske egenskapene til et tilfeldig og støyende datasett, som deretter sammenlignes med statistikken over kjemiske trekk ved aktive/inaktive molekyler for å destillere hvilke kjemiske mønstre som virkelig er viktige for binding i motsetning til å oppstå ved en tilfeldighet.

Denne metodikken lar forskerne fiske ut viktige kjemiske mønstre ikke bare fra molekyler som er aktive, men også fra molekyler som er inaktive – med andre ord, mislykkede eksperimenter kan nå utnyttes med denne teknikken.

Forskerne bygget en modell som starter med 222 aktive molekyler og var i stand til beregningsmessig screening av ytterligere seks millioner molekyler. Fra dette, forskerne kjøpte og undersøkte 100 mest relevante molekyler. Fra disse, de identifiserte fire nye molekyler som aktiverer CHRM1-reseptoren, et protein som kan være aktuelt for Alzheimers sykdom og schizofreni.

«Evnen til å fiske ut fire aktive molekyler fra seks millioner er som å finne en nål i en høystakk," sa Lee. "En head-to-head sammenligning viser at algoritmen vår er dobbelt så effektiv som industristandarden."

Å lage komplekse organiske molekyler er en betydelig utfordring i kjemi, og potensielle medikamenter florerer i rommet av ennå ikke-lagbare molekyler. Cambridge-forskerne utvikler for tiden algoritmer som forutsier måter å syntetisere komplekse organiske molekyler på, i tillegg til å utvide maskinlæringsmetodikken til materialoppdagelse.


Kilde: www.cam.ac.uk

Om Marie

Legg igjen et svar