Создана ИТ-платформа для быстрой разработки лекарств с помощью ИИ

Исследователи разработали ит-платформу, объединяющую автоматизированные эксперименты и искусственный интеллект, которая может дать представление о том, как будут взаимодействовать различные химические вещества.

Открытие и производство новых лекарств часто требует точного предсказания молекулярных реакций. Ученые отмечают, что это сложный процесс проб и ошибок, который часто приводит к неудачным реакциям. Химики традиционно используют моделирование электронов и атомов в упрощенных моделях для предсказания этих реакций, но такой подход требует больших вычислительных затрат и склонен к неточностям.

Новая модель, разработанная группой исследователей из Кембриджского университетского колледжа, основывается на подходе, где автоматизированные эксперименты сочетаются с машинным обучением для понимания химической реактивности, что значительно ускоряет процесс. Система, названная химическим реактомом, как утверждается, была обучена на основе набора данных, включающего 39 тыс. фармацевтически значимых реакций.

Подробности исследования, проведенного командой в сотрудничестве с Кембриджем и компанией Pfizer, были опубликованы в журнале Nature Chemistry. Методология реактома выявляет значимые корреляции между реактивами, реагентами и общей эффективностью реакций в наборе данных, а также указывает на недостатки в самих данных. Ученые отмечают, что информация, полученная в результате автоматизированных экспериментов, является быстрой и надежной.

В дополнение к автоматизированным экспериментам исследовательская группа разработала методику машинного обучения, позволяющую химикам вносить точные изменения в заранее определенные участки молекул, что ускоряет процесс разработки лекарств. Этот подход позволяет химикам точно настраивать сложные молекулы, подобно модификации в последнюю минуту, не начиная работу с нуля. В традиционных лабораторных условиях конструирование молекулы обычно включает в себя многоступенчатый процесс, напоминающий строительство дома.

Реакции функционализации на поздних стадиях, относящиеся к особой категории химических превращений, направлены на внесение модификаций непосредственно в ядро молекулы, что избавляет от необходимости начинать процесс с самого начала. Несмотря на преимущества, достижение селективности и контроля на поздних стадиях функционализации сопряжено с определенными трудностями. По словам команды, основная трудность возникает из-за того, что многочисленные области внутри молекул подвержены реакции, что затрудняет прогнозирование и контроль конечного результата.

Исследователи создали модель машинного обучения, способную предугадывать конкретное место в молекуле, где будет происходить реакция. Кроме того, она предсказывает, как изменяется место реакции при различных условиях. Такая функциональность помогает химикам изучать методы точной настройки центральной структуры молекулы.