Effizienz um das 1200-fache gesteigert! MIT entwickelt neues KI-Pharmamodell

Laut den ausländischen Medien Tech Xplore haben Forscher am MIT kürzlich ein neues Modell namens EquBind entwickelt, das die Struktur neuer Proteinmoleküle im Voraus vorhersagen und die Effizienz der Arzneimittelentwicklung verbessern kann.

Derzeit ist diese Technologie von der Industrie anerkannt, und das Papier, das diese Technologie beschreibt, wird im Juli auch von der International Conference on Machine Learning (ICML) angenommen.

1. Die Geschwindigkeit wird um das 1200-fache erhöht. Das EquBind-Modell kann schnell arzneimittelähnliche Moleküle screenen.

Derzeit ist die Arzneimittelforschung und -entwicklung eine langwierige und teure Angelegenheit. Der Hauptgrund liegt darin, dass die Entwicklung von Medikamenten sehr teuer ist. Diese Kosten beinhalten nicht nur Milliarden von Dollar an Kapitalinvestitionen, sondern auch jahrzehntelange Forschungszeit.

Darüber hinaus scheitern 90 % der Medikamente aufgrund von Unwirksamkeit oder zu vielen Nebenwirkungen. Nur 10 % der Medikamente können die Inspektion der Food and Drug Administration erfolgreich bestehen und zugelassen werden Marketing.

Daher werden Pharmaunternehmen die Preise für erfolgreich entwickelte Medikamente erhöhen, um die durch fehlgeschlagene Medikamente verursachten Verluste auszugleichen, sodass die Preise einiger Medikamente derzeit weiterhin hoch bleiben.

▲Einige Proteinmolekülstrukturen

Wenn Forscher Medikamente entwickeln wollen, müssen sie zuerst solche mit Entwicklungspotenzial finden. wie Moleküle. Ein weiterer wichtiger Grund für den langsamen Fortschritt der Arzneimittelentwicklung ist die große Anzahl vorhandener arzneimittelähnlicher Moleküle. Daten zeigen, dass es derzeit bis zu 1.016 arzneimittelähnliche Moleküle gibt, eine Zahl, die die Berechnungsobergrenze bestehender molekularer Berechnungsmodelle bei weitem überschreitet.

Um solch große Moleküle mit Daten zu verarbeiten und den Prozess der Medikamentenentwicklung zu beschleunigen, entwickelte Hannes St rk, ein Doktorand im ersten Jahr in der Abteilung für Elektrotechnik und Informatik am MIT, ein Geometrisches Deep Learning namens „EquBind“-Modell. EquBind läuft 1.200-mal schneller als die schnellsten existierenden molekularen Computer-Docking-Modelle und ermöglicht es ihm, arzneimittelähnliche Moleküle schneller zu finden.

2. Das EquBind-Modell kann die Proteinstruktur genau vorhersagen und die Effizienz der Arzneimittelentwicklung verbessern.

Derzeit basieren die meisten traditionellen Molekular-Computing-Docking-Modelle auf einer Methode namens „Ligand“. -Protein“-Methode (Ligand-to-Protein-Bindung) zur Suche nach arzneimittelähnlichen Molekülen. Konkret muss das Modell zunächst eine große Anzahl von Probenmolekülen empfangen, dann die Liganden an verschiedene Moleküle binden lassen, dann verschiedene Moleküle bewerten und dann anhand der endgültigen Rangfolge die am besten geeigneten Moleküle auswählen. Allerdings ist dieser Ansatz kompliziert und das Modell ist bei der Suche nach arzneimittelähnlichen Molekülen weniger effizient.

Hannes St rk gab eine anschauliche Metapher für diesen Prozess. Er sagte: „Der bisherige typische ‚Ligand-Protein‘-Ansatz war wie der Versuch, das Modell dazu zu bringen, den Schlüssel in viele Schlüssellöcher zu stecken.“ Bei Schlössern verbringt das Modell viel Zeit damit, die Passung zwischen dem Schlüssel und jedem Schlüsselloch zu bewerten und dann das am besten geeignete auszuwählen.“ Er erklärte weiter: „Und EquBind kann diesen zeitaufwändigen Schritt vorhersagen.“ Das am besten geeignete „Schlüsselloch“ beim Auftreffen auf neue Moleküle wird als „Blind-Docking“ bezeichnet und verfügt über einen integrierten geometrischen Schlussfolgerungsalgorithmus, der dem Modell helfen kann, die Grundlagen von Molekülen zu erlernen die am besten geeignete Position, wenn Sie auf ein neues Molekül stoßen, ohne viel Zeit damit zu verbringen, verschiedene Positionen auszuprobieren und zu bewerten , und der Autor freut sich auf weiteres Feedback

Dieses Modell hat die Aufmerksamkeit des Chief Data Officer von Relay Attention, Pat Walters, des Behandlungsunternehmens erregt. Walster schlug vor, dass die Forschungsgruppe von Hannes Störk dieses Modell nutzen sollte, um Medikamente gegen Lungenkrebs, Leukämie und Magen-Darm-Tumoren zu entwickeln. Im Allgemeinen ist es schwierig, Proteinliganden, die in Medikamenten in diesen Bereichen verwendet werden, mit den meisten herkömmlichen Methoden anzudocken, aber EquBind kann sie erfolgreich andocken. „EquBind bietet eine Lösung für das Protein-Docking-Problem“, sagte Walters. Eine einzigartige Lösung, die sich mit Problemen wie der Strukturvorhersage und der Identifizierung von Bindungsstellen befasst. Dieser Ansatz nutzt Tausende veröffentlichter Kristallstrukturinformationen, und EquBind könnte das Gebiet auf neue Weise beeinflussen 🎜🎜#

Der Artikel, der diese Technologie veröffentlicht, wird im Juli von der International Conference on Machine Learning (ICML) angenommen. Hannes St rk, der Autor des Artikels, sagte: „Ich freue mich auf den Empfang.“ Einige Informationen zu dieser Technologie auf dieser Konferenz. „

Fazit: KI und Arzneimittel sind äußerst kompatibel und ihre Entwicklungsdynamik boomt erst 2020 in den Fokus der Öffentlichkeit gerückt. Aufstrebende Gebiete.

Der pharmazeutische Bereich ist ein natürliches KI-Szenario. Der lange Zyklus, die hohen Kosten und die geringe Erfolgsquote bei der Erforschung und Entwicklung neuer Arzneimittel haben einen großen Einsatzraum für KI geschaffen: Maschinen können autonom Daten lernen, Daten auswerten, Regeln für die Erforschung und Entwicklung von Arzneimitteln zusammenfassen, die über die Erfahrung von Experten hinausgehen, und diese dann optimieren Dies kann in allen Aspekten nicht nur die Effizienz und Erfolgsquote der Arzneimittelforschung und -entwicklung verbessern, sondern soll auch die Forschungs- und Entwicklungskosten sowie die Trial-and-Error-Kosten senken.

Aufgrund dieser Eigenschaften und Entwicklungspotenziale gewinnen KI-Arzneimittel derzeit an Dynamik. Einige Leute in der Branche sind jedoch pessimistisch und sagen, dass KI nur eine unterstützende Rolle im pharmazeutischen Prozess spiele und die inhärenten Prozesse und Mechanismen der Branche nicht umgehen könne. Es sei unmöglich, zehn Jahre Arbeit in zwei oder drei Jahren zu erledigen.

Aber insgesamt gibt es immer noch neue technologische Durchbrüche im Bereich der KI-Arzneimittel, und die Entwicklung boomt.

Das obige ist der detaillierte Inhalt vonEffizienz um das 1200-fache gesteigert! MIT entwickelt neues KI-Pharmamodell. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!