Identifizieren Sie automatisch die besten Moleküle und reduzieren Sie die Synthesekosten. Das MIT entwickelt ein Algorithmus-Framework für die Entscheidungsfindung im molekularen Design

Herausgeber |. Ziluo

Der Einsatz von KI zur Rationalisierung der Arzneimittelforschung nimmt explosionsartig zu. Durchsuchen Sie Milliarden von Kandidatenmolekülen nach solchen, die möglicherweise über Eigenschaften verfügen, die für die Entwicklung neuer Medikamente erforderlich sind. Es sind so viele Variablen zu berücksichtigen, von Materialpreisen bis hin zum Fehlerrisiko, dass es keine leichte Aufgabe ist, die Kosten für die Synthese der besten Kandidatenmoleküle abzuwägen, selbst wenn Wissenschaftler KI einsetzen.

Hier entwickelten MIT-Forscher SPARROW, ein quantitatives Entscheidungsalgorithmus-Framework, um automatisch die besten molekularen Kandidaten zu identifizieren und so die Synthesekosten zu minimieren und gleichzeitig die Wahrscheinlichkeit zu maximieren, dass der Kandidat die gewünschten Eigenschaften aufweist. Der Algorithmus identifizierte auch die Materialien und experimentellen Schritte, die zur Synthese dieser Moleküle erforderlich sind.

SPARROW berücksichtigt die Kosten für die gleichzeitige Synthese einer Reihe von Molekülen, da häufig mehrere Kandidatenmoleküle aus einigen der gleichen Verbindungen abgeleitet werden können. Darüber hinaus ermöglicht dieser einheitliche Ansatz den Zugriff auf wichtige Informationen für das molekulare Design, die Vorhersage von Eigenschaften und die Syntheseplanung aus Online-Repositories und weit verbreiteten KI-Tools.

SPARROW hilft Pharmaunternehmen nicht nur dabei, neue Medikamente effizienter zu entdecken, sondern kann auch zur Erfindung neuer Agrarchemikalien oder zur Entdeckung spezieller Materialien für die organische Elektronik eingesetzt werden.

Relevante Forschung mit dem Titel „Ein algorithmischer Rahmen für synthetische kostenbewusste Entscheidungsfindung im molekularen Design“ wurde am 19. Juni auf „Nature Computational Science“ veröffentlicht.

Link zum Papier: https://www.nature.com/articles/s43588-024-00639-y

„Die Auswahl von Verbindungen ist eine Kunst, und manchmal ist es eine sehr erfolgreiche Kunst. Aber gegeben.“ „Da wir über all diese Modelle und Vorhersagetools verfügen, die Informationen darüber liefern, wie sich Moleküle verhalten und synthetisiert werden könnten, sollten wir diese Informationen als Leitfaden für unsere Entscheidungen nutzen“, sagte Connor, korrespondierender Autor des Artikels und Assistenzprofessor in der Abteilung für Chemieingenieurwesen am MIT, sagte Coley.

Quantitativer Entscheidungsalgorithmus-Framework SPARROW

„Synthesis Planning And Rewards-based Route Optimization Workflow, SPARROW“ ist ein algorithmischer Entscheidungsrahmen, der zur Steuerung des Designzyklus verwendet wird.

Abbildung: Überblick über SPARROW und seine Rolle im molekularen Designzyklus. (Quelle: Papier)

Diese Forschung baut auf früheren Problemformulierungen für die gleichzeitige Auswahl von Synthesewegen für mehrere Moleküle und die Integration von Produkt- und Prozesssystemdesign auf. Im Gegensatz zu herkömmlichen Screening-Methoden verwendet SPARROW ein Optimierungskriterium mit mehreren Zielen, das Kosten und Nutzen abwägt, um Moleküle und ihre mutmaßlichen Syntheserouten aus einer Bibliothek von Kandidatenmolekülen zu priorisieren.

SPARROW generiert ein Reaktionsnetzwerk bestehend aus möglichen Zielmolekülen und Synthesewegen. Durch die Lösung graphbasierter Optimierungsprobleme kann eine Reihe von Molekülen und Syntheserouten überprüft werden, um die kumulativen Synthesekosten und den Nutzen optimal auszubalancieren. In diesem Zusammenhang misst der Nutzen den Wert der Beurteilung einer molekularen Eigenschaft.

Geeignete Nutzenmaße variieren je nach Anwendungs- und Designphase. Dazu können Vorhersagen molekularer Eigenschaften, Unsicherheiten in diesen Vorhersagen oder das Potenzial neuer Datenpunkte zur Verbesserung von Struktur-Eigenschafts-Beziehungen gehören. SPARROW muss eine Kandidatenbibliothek mit einer entsprechenden Belohnung zur Verfügung gestellt werden, die den mit jedem Kandidatenmolekül verbundenen Nutzen angibt.

Illustration: SPARROWs Problemstellung. (Quelle: Paper)

Die Belohnung für die Auswahl eines Moleküls hängt auch vom Erfolg der gewählten Reaktionsschritte zur Synthese dieses Moleküls ab. Wenn ein Reaktionsschritt im Syntheseweg eines Kandidatenmoleküls fehlschlägt, werden keine Informationen gewonnen. Die Forscher formalisierten dies, indem sie die erwartete Belohnung für die Auswahl eines Kandidatenmoleküls maximierten, die als Belohnung multipliziert mit der Wahrscheinlichkeit einer erfolgreichen Synthese dieses Moleküls ausgedrückt werden kann.

Unter Berücksichtigung von Kosten und Nutzen kann das Ziel von SPARROW als erwartete Belohnung aller ausgewählten Ziele dividiert durch die Kosten für die Synthese aller ausgewählten Ziele mithilfe der ausgewählten Route formalisiert werden.

Komplexe Kostenüberlegungen

In gewissem Sinne hängt die Frage, ob Wissenschaftler ein bestimmtes Molekül synthetisieren und testen sollten, von den Kosten der Synthese im Vergleich zum Wert des Experiments ab. Allerdings ist die Bestimmung von Kosten oder Wert an sich schon ein schwieriges Problem.

SPARROW begegnet dieser Herausforderung, indem es die gemeinsamen Zwischenverbindungen berücksichtigt, die an der Synthese eines Moleküls beteiligt sind, und diese Informationen in seine Kosten-Wert-Funktion einbezieht.

„Wenn man über das Optimierungsproblem beim Entwurf einer Reihe von Molekülen nachdenkt, hängen die Kosten für das Hinzufügen neuer Strukturen von den Molekülen ab, die man bereits ausgewählt hat“, sagte Coley.

Das Framework berücksichtigt auch Faktoren wie die Kosten der Ausgangsmaterialien, die Anzahl der an jedem Syntheseweg beteiligten Reaktionen und die Wahrscheinlichkeit, dass diese Reaktionen beim ersten Versuch erfolgreich sind.

Um SPARROW nutzen zu können, stellen Wissenschaftler eine Reihe molekularer Verbindungen bereit, die sie testen möchten, zusammen mit Definitionen der Eigenschaften, die sie finden möchten.

Als nächstes sammelt SPARROW Informationen über die Moleküle und ihre Synthesewege und wägt dann den Wert jedes Moleküls gegen die Kosten für die Synthese einer Reihe von Kandidaten ab. Es wählt automatisch die beste Teilmenge der Kandidaten aus, die die Benutzerkriterien erfüllen, und findet die kostengünstigsten Syntheserouten für diese Verbindungen.

Jenna Fromer, die Erstautorin des Papiers, sagte: „Es führt alle diese Optimierungen in einem Schritt durch, sodass alle konkurrierenden Ziele gleichzeitig erfasst werden können.“

SPARROW ist ein multifunktionales Framework.“ Einzigartig darin, dass es integriert werden kann. Von Menschen entworfene molekulare Strukturen, die in virtuellen Katalogen existieren, oder nie zuvor gesehene molekulare Strukturen, die durch generative KI-Modelle erstellt wurden.

„Wir haben eine Vielzahl unterschiedlicher Ideenquellen. Ein Teil des Reizes von SPARROW besteht darin, dass man alle diese Ideen auf Augenhöhe bringen kann“, fügte Coley hinzu.

Forscher demonstrieren anhand von drei Fallstudien die Fähigkeit von SPARROW, molekulare Designzyklen zu orchestrieren. Diese Anwendungen veranschaulichen, wie SPARROW (1) den Informationsgewinn erfolgreich mit den Synthesekosten ausgleicht, (2) die Nichtadditivität der Synthesekosten für eine Charge von Molekülen erfasst und (3) auf Kandidatenbibliotheken mit Hunderten von Molekülen skaliert.

Abbildung: Demonstration der Fähigkeit von SPARROW, Kosten und Nutzen in einer Bibliothek von 14 ASCT2-Inhibitorkandidaten auszugleichen. (Quelle: Papier)

Sie fanden heraus, dass SPARROW die Grenzkosten der Batch-Synthese effektiv erfasste und gängige experimentelle Schritte und Zwischenchemikalien identifizierte. Darüber hinaus kann es erweitert werden, um Hunderte potenzieller molekularer Kandidaten zu verarbeiten.

「In der Community des chemischen maschinellen Lernens gibt es viele Modelle, die sich gut für die Retrosynthese oder die Vorhersage molekularer Eigenschaften eignen, aber wie wollen wir sie tatsächlich nutzen, indem wir SPARROW erstellen? um anderen Forschern dabei zu helfen, über das Wirkstoff-Screening unter Verwendung ihrer eigenen Kosten- und Nutzenfunktionen nachzudenken“, sagte Fromer.

Forscher hoffen, in Zukunft mehr Komplexität in SPARROW integrieren zu können. Sie hoffen beispielsweise, Algorithmen in die Lage zu versetzen, zu berücksichtigen, dass der Wert des Testens einer Verbindung möglicherweise nicht immer konstant ist. Sie möchten auch mehr parallele chemische Elemente in ihre Kosten-Wert-Funktionen einbeziehen.

Referenzinhalt:

https://news.mit.edu/2024/smarter-way-streamline-drug-discovery-0617

Das obige ist der detaillierte Inhalt vonIdentifizieren Sie automatisch die besten Moleküle und reduzieren Sie die Synthesekosten. Das MIT entwickelt ein Algorithmus-Framework für die Entscheidungsfindung im molekularen Design. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!