机器学习算法有助于寻找新的药物

研究人员, 由剑桥大学领导, 用他们的算法来确定激活这被认为是相关的阿尔茨海默氏症和精神分裂症的症状的蛋白质四个新分子. 该 结果 据报道在杂志 PNAS.

在药物发现中的一个关键问题是预测分子是否将激活一个特定的生理过程. 有可能通过搜索已知的激活过程的分子之间共享化学模式来构建一个统计模型, 而是建立这些模型中的数据是有限的，因为实验是昂贵的，目前尚不清楚其化学图案是统计显著.

“机器学习已在诸如计算机视觉领域显著的进展，在数据丰富,”阿尔法李博士从剑桥大学卡文迪什实验室说, 该研究报告的主要作者. “下一个前沿领域的科学应用，如药物研发, 其中，数据量相对有限，但我们确实有这个问题物理见解, 而问题就变成如何嫁基础化学和物理数据“。

李和他的同事们开发的算法, 在生物制药公司辉瑞的合作, 用数学来分隔不相关的药理学相关化学图案.

重要的, 该算法着眼于已知是不活动的已知活性的两种分子和分子和学习以识别其中分子的部分是药物作用的重要和部分不. 被称为随机矩阵理论的数学原理给出了关于随机和嘈杂的数据集的统计特性预测, 然后将其针对的有效/无效分子的化学特性的统计数据相比，提炼其化学图案是真正重要的，而不是偶然产生的简单结合.

这种方法可以让科学家不仅是活性分子，但也有活动分子捞出重要的化学图案 - 换句话说, 失败的实验，现在可以使用这种技术利用.

研究人员构建起与模型 222 活性分子，并能计算方式屏幕六个额外的百万个分子. 由此, 研究人员购买，并筛选出 100 最相关的分子. 从这些, 他们确定了激活受体CHRM1四个新分子, 可能相关的阿尔茨海默氏症和精神分裂症的蛋白质.

“以600万捞出四种活性分子的能力，就像是在大海捞针,”李说. “一个头对头比较表明，我们的算法是两倍于行业标准的高效。”

制造复杂的有机分子是在化学的一个显著挑战, 和潜在的药物比比皆是，在尚未unmakeable分子的空间. 剑桥的研究人员正在开发一种预测方法来合成复杂的有机分子的算法, 以及延长机器学习方法，以材料的发现.

资源: www.cam.ac.uk