Algorytm uczenia maszynowego pomaga w poszukiwaniu nowych leków

Badacze, prowadzony przez Uniwersytet Cambridge, wykorzystali swój algorytm do zidentyfikowania czterech nowych cząsteczek, które aktywują białko, które uważa się za istotne dla objawów choroby Alzheimera i schizofrenii. ten Każdy z kursów/sekcji w tym mega kursie, który pojawia się po zrobieniu notatek, powinien być widoczny w tej ramce są zgłaszane w czasopiśmie PNAS.

Kluczowym problemem w odkrywaniu leków jest przewidywanie, czy cząsteczka aktywuje określony proces fizjologiczny. Możliwe jest zbudowanie modelu statystycznego poprzez wyszukiwanie wzorców chemicznych wspólnych dla cząsteczek, o których wiadomo, że aktywują ten proces, ale dane do budowy tych modeli są ograniczone, ponieważ eksperymenty są kosztowne i nie jest jasne, które wzorce chemiczne są statystycznie istotne.

„Uczenie maszynowe poczyniło znaczne postępy w takich obszarach, jak widzenie komputerowe, w których jest dużo danych,” powiedział Dr Alpha Lee z Cambridge’s Cavendish Laboratory, i główny autor badania. „Następną granicą są zastosowania naukowe, takie jak odkrywanie leków, gdzie ilość danych jest stosunkowo ograniczona, ale mamy fizyczny wgląd w problem, i pojawia się pytanie, jak połączyć dane z fundamentalną chemią i fizyką”.

Algorytm opracowany przez Lee i jego współpracowników, we współpracy z firmą biofarmaceutyczną Pfizer, wykorzystuje matematykę do oddzielenia farmakologicznie istotnych wzorców chemicznych od nieistotnych.

Co ważne, algorytm analizuje zarówno cząsteczki, o których wiadomo, że są aktywne, jak i cząsteczki, o których wiadomo, że są nieaktywne, i uczy się rozpoznawać, które części cząsteczek są ważne dla działania leku, a które nie.. Zasada matematyczna znana jako teoria macierzy losowych daje przewidywania dotyczące właściwości statystycznych losowego i zaszumionego zbioru danych, który jest następnie porównywany ze statystykami cech chemicznych aktywnych/nieaktywnych cząsteczek, aby wydestylować, które wzorce chemiczne są naprawdę ważne dla wiązania, w przeciwieństwie do pojawiania się po prostu przez przypadek.

Ta metodologia pozwala naukowcom wyłowić ważne wzorce chemiczne nie tylko z cząsteczek, które są aktywne, ale także z cząsteczek, które są nieaktywne – innymi słowy, nieudane eksperymenty można teraz wykorzystać za pomocą tej techniki.

Naukowcy zbudowali model, zaczynając od 222 aktywnych molekuł i byli w stanie przesiać obliczeniowo dodatkowe sześć milionów molekuł. Od tego, badacze zakupili i przebadali 100 najbardziej odpowiednie cząsteczki. Od tych, zidentyfikowali cztery nowe cząsteczki, które aktywują receptor CHRM1, białko, które może mieć znaczenie w chorobie Alzheimera i schizofrenii.

„Zdolność do wyłowienia czterech aktywnych molekuł z sześciu milionów jest jak znalezienie igły w stogu siana,” powiedział Lee. „Porównanie bezpośrednie pokazuje, że nasz algorytm jest dwa razy wydajniejszy niż standard branżowy”.

Tworzenie złożonych cząsteczek organicznych to poważne wyzwanie w chemii, a potencjalne leki obfitują w przestrzeń jeszcze niewykonalnych cząsteczek. Naukowcy z Cambridge opracowują obecnie algorytmy, które przewidują sposoby syntezy złożonych cząsteczek organicznych, a także rozszerzenie metodologii uczenia maszynowego o odkrywanie materiałów.

Źródło: www.cam.ac.uk