Registrar agora

Entrar

Senha perdida

Perdeu sua senha? Por favor, indique o seu endereço de e-mail. Você receberá um link e vai criar uma nova senha via e-mail.

Adicionar pós

Você deve entrar para adicionar pós .

Adicionar pergunta

Você deve fazer login para fazer uma pergunta.

Entrar

Registrar agora

Bem-vindo ao Scholarsark.com! O seu registo irá conceder-lhe o acesso ao uso de mais recursos desta plataforma. Você pode fazer perguntas, fazer contribuições ou fornecer respostas, ver perfis de outros usuários e muito mais. Registrar agora!

algoritmo de aprendizado de máquina ajuda na busca de novas drogas

Os pesquisadores criaram um algoritmo de aprendizado de máquina para a descoberta da droga que foi mostrado para ser duas vezes tão eficiente quanto o padrão da indústria, o que poderia acelerar o processo de desenvolvimento de novos tratamentos para a doença.

Os pesquisadores, liderado pela Universidade de Cambridge, usado seu algoritmo para identificar quatro novas moléculas que ativam uma proteína que é pensado para ser relevante para os sintomas da doença de Alzheimer e esquizofrenia. o resultados são relatados na revista PNAS.

Um problema fundamental na descoberta de drogas é prever se uma molécula irá activar um processo fisiológico específico. É possível construir um modelo estatístico procurando padrões químicos compartilhados entre moléculas conhecidas por ativar esse processo, mas os dados para construir esses modelos é limitada porque as experiências são caros e não está claro quais padrões químicos são estatisticamente significativos.

“Aprendizagem de máquina tem feito progressos significativos em áreas como visão computacional onde os dados é abundante,” disse o Dr. Alpha Lee do Laboratório Cavendish de Cambridge, e o autor principal do estudo. “A próxima fronteira são as aplicações científicas, como a descoberta de medicamentos, onde a quantidade de dados é relativamente limitada, mas temos insights físicos sobre o problema, e a questão passa a ser como casar dados com química e física fundamentais.”

O algoritmo desenvolvido por Lee e seus colegas, em colaboração com a empresa biofarmacêutica Pfizer, usa matemática para separar os padrões químicos farmacologicamente relevantes de irrelevantes.

É importante salientar, o algoritmo olha para ambas as moléculas que se sabe ser activa e moléculas que se sabe serem inactivos e aprende a reconhecer que partes das moléculas são importantes para a acção da droga, e que não são peças. Um princípio matemática conhecida como a teoria de matriz aleatória dá previsões sobre as propriedades estatísticas de um conjunto de dados aleatório e ruidoso, que é então comparada com as estatísticas de características químicas de moléculas activas / inactivos para destilar que padrões químicos são verdadeiramente importantes para a ligação em oposição a decorrente simplesmente por acaso.

Esta metodologia permite que os investigadores a pescar fora padrões químicos importantes não só a partir de moléculas que estão ativos, mas também a partir de moléculas que estão inativas - em outras palavras, experiências fracassadas podem agora ser explorados com esta técnica.

Os pesquisadores construíram um modelo começando com 222 moléculas ativas e foram capazes de rastrear computacionalmente mais seis milhões de moléculas. A partir disso, os pesquisadores compraram e examinaram os 100 moléculas mais relevantes. A partir destes, eles identificaram quatro novas moléculas que ativam o receptor CHRM1, uma proteína que pode ser relevante para a doença de Alzheimer e esquizofrenia.

“A capacidade de pescar quatro moléculas ativas de seis milhões é como encontrar uma agulha no palheiro,” disse Lê. “Uma comparação head-to-head mostra que o nosso algoritmo é duas vezes mais eficiente que o padrão da indústria.”

Fazendo moléculas orgânicas complexas é um desafio significativo na química, e potenciais drogas abundam no espaço de moléculas contudo-unmakeable. Os pesquisadores de Cambridge estão actualmente a desenvolver algoritmos que prevêem formas de sintetizar moléculas orgânicas complexas, bem como estendendo-se a metodologia de aprendizagem automática para materiais descoberta.


Fonte: www.cam.ac.uk

Sobre Marie

Deixe uma resposta