Percée dans la découverte de médicaments à base d'ARN, le premier modèle de base de l'ARN révèle une technologie de mesure au niveau de plus d'un milliard de nucléotides

Éditeur | KX

Récemment, la société de biotechnologie Atomic AI a annoncé le développement réussi du premier modèle de langage à grande échelle (LLM) qui utilise des données de cartographie chimique. Atomic AI combine des techniques avancées d'apprentissage automatique avec les dernières avancées en matière de biologie structurale pour résoudre les mystères de la découverte de médicaments à base d'ARN.

Les chercheurs d'Atomic AI ont créé un nouveau composant de plate-forme qui exploite la collecte d'analyses internes personnalisées en laboratoire humide de données de cartographie chimique à grande échelle. Les scientifiques ont collecté des données sur des millions de séquences d’ARN et effectué plus d’un milliard de mesures au niveau des nucléotides. Formé sur ces données, ATOM-1 développe une riche compréhension de l’ARN, qui peut ensuite être utilisée pour optimiser les propriétés de différents modèles d’ARN.

Adresse Twitter d'Atomic AI : https://twitter.com/AtomicAICo/status/1735659469609037974

Atomic AI a publié un article le 14 décembre intitulé "ATOM-1 : ARN construit sur la base de données de cartographie chimique Un article pré-imprimé" Modèle de base de structure et de fonction", publié sur bioRxiv. Dans cet article, Atomic AI décrit en détail les composants uniques de sa plateforme ATOM-1™. Ce modèle de base peut prédire avec précision la structure et la fonction de l'ARN et joue un rôle important dans l'amélioration du développement de thérapies à base d'ARN

. Lien vers l'article : https://doi.org/10.1101/2023.12.13.571579

Le Dr Manjunath Ramarao, directeur scientifique d'Atomic AI, a déclaré :

"ATOM-1 est capable de prédire les aspects structurels et fonctionnels. d'ARN ainsi que de modèles d'ARN de caractéristiques clés, notamment de petites molécules, de vaccins à ARNm, d'ARNsi et d'ARN circulaire, pour faciliter la conception efficace de produits thérapeutiques. Nous visons à créer un pipeline rationalisé de découverte de médicaments pour faire progresser notre propre pipeline et travailler avec. partenaires pour les aider à valider leurs cibles et outils d'ARN pour finalement fournir les traitements dont ils ont besoin aux patients plus rapidement et plus efficacement », a déclaré le Dr Stephan Eismann, scientifique fondateur et directeur de l'apprentissage automatique chez Atomic AI. S'appuyant sur un vaste ensemble de données de nucléotides d'ARN. modifications et séquençage de nouvelle génération, l’équipe Atomic AI a créé le premier modèle basé sur l’ARN. Nous sommes enthousiasmés par la large application de notre modèle à d’autres aspects de la recherche sur l’ARN et par son utilisation pour optimiser les médicaments à base d’ARN. Les données disponibles sur l’ARN de haute qualité, telles que la stabilité et l’efficacité de la traduction des vaccins à ARNm ou l’activité et la toxicité des médicaments à base d’ARN et des médicaments ciblant l’ARN, deviennent de plus en plus populaires. De nouvelles façons prometteuses de traiter les maladies. L’optimisation de ces traitements nécessite un dépistage expérimental long et coûteux, tandis qu’une conception rationnelle nécessite une compréhension précise de la structure et de la fonction de l’ARN. À ce jour, la communauté des sciences de la vie dispose de peu de données de haute qualité sur l’ARN. Parce que les méthodes existantes, telles que les modèles animaux pour recueillir des informations in vivo ou la cryomicroscopie électronique (cryo-EM) pour déterminer la structure de l’ARN 3D, sont difficiles à utiliser et prennent du temps. L'optimisation des propriétés thérapeutiques clés de l'ARN, notamment la stabilité, la toxicité et l'efficacité de la traduction, a été un défi en raison du manque de données « réelles »

Le premier modèle basé sur l'ARN formé sur des données de cartographie chimique

Pour relever ce défi de conception, Atomic AI a lancé ATOM-1, le premier modèle basé sur l'ARN formé sur des données de cartographie chimique, via une stratégie de collecte de données développée spécifiquement pour la formation en apprentissage automatique. En utilisant un petit réseau neuronal de sonde au-dessus des intégrations ATOM-1, nous démontrons que ce modèle a développé une riche représentation interne de l’ARN. Formés avec une quantité limitée de données supplémentaires, ces petits réseaux ont atteint une précision de pointe sur les tâches clés de prédiction de l’ARN, démontrant que cette approche pourrait permettre une conception thérapeutique dans l’ensemble du domaine de l’ARN.

Illustration : Sonde ATOM-1 pour la prédiction de structure secondaire avec résumé de haute précision. (Source : article)

ATOM-1 peut prédire les structures secondaires et tertiaires de l'ARN avec plus de précision que les méthodes publiées précédemment

Illustration : entraînée sur une structure secondaire avec 257 sondes linéaires paramétriques peut être généralisée à d'autres ARN. (Source : article)

Illustration : La sonde ATOM-1 pour la prédiction de la structure tertiaire démontre une précision de pointe. (Source : article)

Remarquablement, dans une analyse rétrospective comparant ATOM-1 à d’autres outils informatiques pour la conception de vaccins, ATOM-1 a surpassé les 1 600 autres méthodes de prédiction de la stabilité de l’ARNm en solution. Sur la base de ces résultats, de nouveaux modèles sous-jacents peuvent être adaptés avec des données limitées pour prédire différentes propriétés de l'ARN, déterminant non seulement la structure de l'ARN, mais prédisant également d'autres caractéristiques clés des thérapies à base d'ARN.

Illustration : Prédictions de structure de la sonde ATOM-1 par rapport à la ligne de base sans intégration du modèle de base. (Source : article)

Au cours des deux dernières années et demie, nous avons délibérément conçu et collecté des données pour entraîner notre modèle de base, a déclaré le Dr Raphael Townshend, fondateur et PDG d'"Atomic AI". "Grâce à l'apprentissage automatique et à l'intelligence artificielle générative, nous avons désormais une opportunité unique qu'ATOM-1 puisse être réglé avec un petit nombre de points de données initiaux pour prédire la structure et la fonction de l'ARN avec une grande précision.

Zeng est apparu sur la couverture de." Science, le moteur de structure d'ARN 3D exclusif piloté par l'IA d'Atomic AI

Atomic AI est une société de biotechnologie émergente fondée en mai 2021 et dont le siège est dans la région de la baie de San Francisco. La société se concentre sur la fusion de l’apprentissage automatique et de la biologie structurale pour faire progresser la découverte de médicaments à base d’ARN. Ils ont développé une plateforme propriétaire qui utilise des modèles de base d'apprentissage profond pour explorer et concevoir de petites molécules ciblant l'ARN, des médicaments à base d'ARN et des outils ARN.

Articles connexes sur la technologie d'Atomic AI "Geometric Deep Learning of RNA Structure" ("Geometric Deep Learning of RNA Structure" "deep learning of RNA structure") est apparu sur la couverture du magazine Science.

Lien de l'article de couverture de Science : https://www.science.org/doi/10.1126/science.abe5650

Le moteur PARSE d'Atomic AI est un moteur de structure d'ARN 3D piloté par l'intelligence artificielle qui peut générer un ensemble de données de structure d'ARN . En combinant des modèles fondamentaux issus de l'apprentissage automatique avec des expériences internes à grande échelle dans un laboratoire humide, le moteur est capable de révéler des liants fonctionnels des cibles d'ARN.

Sa technologie révolutionnaire prédit des ligands structurés et ligandables avec une vitesse et une précision sans précédent des motifs d'ARN, ce qui constitue un obstacle majeur aux méthodes actuelles de découverte de médicaments à base d’ARN.

En combinant des algorithmes avancés et des recherches en biologie expérimentale à grande échelle, de nouveaux médicaments ciblant l'ARN et des médicaments à base d'ARN peuvent être conçus pour traiter des maladies pour lesquelles il n'existe actuellement aucun médicament commercialisé.

En tirant parti de l'ARN 3D, nous découvrons et concevons des structures structurelles. base de données, Atomic AI prévoit de faire progresser le développement d'une série de candidats-médicaments à petites molécules de conception rationnelle

Atomic AI a levé un total de 42 millions de dollars américains en deux cycles d'investissement, dont le dernier était un financement de série A en janvier 2023. Atomic AI a levé un total de 42 millions de dollars en deux cycles d'investissement, le dernier en date étant un financement de série A en janvier 2023.

Atomic AI est à la pointe du domaine de la biologie structurale améliorée par l'intelligence artificielle, alimentée par des machines. Soutenue par une équipe interdisciplinaire équipe de chercheurs en apprentissage, de chimistes médicinaux, d'ingénieurs et de biologistes expérimentaux, ainsi que de conseillers scientifiques stratégiques et d'investisseurs de classe mondiale. En modifiant la conception des médicaments à base d'ARN, ils ont réussi à traiter des maladies incurables

Site officiel d'Atomic AI : https://atomic.ai/

Contenu de référence : https://www.businesswire.com/news/home/20231215527488/ fr /

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!