最適な分子を自動的に特定し、合成コストを削減する MIT は、分子設計の意思決定アルゴリズム フレームワークを開発します。

編集者 | Ziluo

創薬を効率化するための AI の使用が爆発的に増加しています。新薬の開発に必要な特性を備えている可能性のある候補分子を数十億個スクリーニングします。材料の価格からエラーのリスクまで、考慮すべき変数が非常に多いため、たとえ科学者が AI を使用したとしても、最適な候補分子の合成コストを秤量することは簡単な作業ではありません。

ここで、MIT の研究者は、最適な分子候補を自動的に特定するための定量的決定アルゴリズム フレームワークである SPARROW を開発しました。これにより、候補が望ましい特性を持つ可能性を最大化しながら、合成コストを最小限に抑えることができます。このアルゴリズムは、これらの分子を合成するために必要な材料と実験手順も決定しました。

SPARROW では、複数の候補分子が同じ化合物の一部から得られることが多いため、分子のバッチを一度に合成するコストが考慮されます。さらに、この統一されたアプローチにより、オンライン リポジトリや広く使用されている AI ツールから分子設計、特性予測、合成計画のための重要な情報にアクセスできるようになります。

SPARROW は、製薬会社がより効率的に新薬を発見できるよう支援するだけでなく、新しい農薬を発明したり、有機エレクトロニクス用の特殊な材料を発見したりするためにも使用できます。

「分子設計における合成コストを意識した意思決定のためのアルゴリズムフレームワーク」と題された関連研究が、6月19日に「Nature Computational Science」に掲載されました。

論文リンク: https://www.nature.com/articles/s43588-024-00639-y

「化合物の選択は芸術であり、時には非常に成功する芸術でもあります。分子がどのように挙動し、合成されるかについての情報を提供するモデルや予測ツールがすべて揃っているのであれば、その情報を利用して意思決定を行う必要がある」と論文の責任著者であり、医学部助教授のコナー氏は述べた。マサチューセッツ工科大学の化学工学部のコーリー氏はこう語った。

定量的意思決定アルゴリズム フレームワーク SPARROW

「合成計画と報酬ベースのルート最適化ワークフロー、SPARROW」は、設計サイクルを推進するために使用されるアルゴリズム意思決定フレームワークです。

図: SPARROW の概要と分子設計サイクルにおけるその役割。 (出典: 論文)

この研究は、複数の分子の合成経路を同時に選択し、製品とプロセスシステム設計を統合するための以前の問題定式化に基づいています。従来のスクリーニング方法とは異なり、SPARROW は、コストと実用性のバランスをとる多目的最適化基準を使用して、候補分子のライブラリーから分子とその推定合成経路に優先順位を付けます。

SPARROW は、候補標的分子と合成ルートから構成される反応ネットワークを生成します。グラフベースの最適化問題を解くことにより、一連の分子と合成経路をスクリーニングして、累積合成コストと実用性のバランスを最適化することができます。この文脈において、有用性は分子特性を評価する価値を測定します。

実用性の適切な尺度は、アプリケーションと設計のさまざまな段階で異なります。これには、分子特性の予測、これらの予測の不確実性、または構造と特性の関係を改善するための新しいデータポイントの可能性が含まれる場合があります。候補のライブラリは、各候補分子に関連する有用性を示す対応する報酬とともに SPARROW に提供されなければなりません。

イラスト: SPARROWの問題提起。 (出典: 論文)

分子を選択した場合の報酬は、その分子を合成するために選択した反応ステップの成功にも依存します。候補分子の合成経路の反応ステップが失敗すると、情報は得られません。研究者らは、候補分子の選択で期待される報酬を最大化することでこれを定式化しました。これは、その報酬に分子の合成が成功する確率を乗じたものとして表すことができます。

コストとユーティリティのバランスを考慮して、SPARROW の目標は、選択されたすべての目標の期待される報酬を、選択されたルートを使用して選択されたすべての目標を合成するコストで割ったものとして形式化できます。

複雑なコストの考慮事項

ある意味、科学者が特定の分子を合成してテストすべきかどうかは、合成コストと実験の価値の問題に帰着します。しかし、コストや価値を決めること自体が難しい問題です。

SPARROW は、分子の合成に関与する共有中間化合物を考慮し、この情報をそのコスト対価値関数に組み込むことで、この課題に対処します。

「分子のバッチを設計する最適化問題について考えるとき、新しい構造を追加するコストは、すでに選択した分子に依存します」とコーリー氏は言います。

このフレームワークでは、出発原料のコスト、各合成ルートに含まれる反応の数、それらの反応が最初の試行で成功する可能性などの要素も考慮されます。

SPARROW を使用するには、科学者は、テストを検討している一連の分子化合物と、見つけたい特性の定義を提供します。

次に、SPARROW は分子とその合成経路に関する情報を収集し、各分子の価値と候補のバッチを合成するコストを比較検討します。ユーザーの基準を満たす候補の最適なサブセットを自動的に選択し、これらの化合物の最も費用対効果の高い合成ルートを見つけます。この論文の最初の著者である

Jenna Fromer 氏は、「SPARROW は、これらすべての最適化を 1 つのステップで実行するため、競合するすべての目標を同時に達成することができます。」と述べています。人間が設計した仮想カタログに存在する分子構造や、生成AIモデルによって作成されたこれまでに見たことのない分子構造を統合できる点がユニークです。

「私たちはさまざまなアイデアのソースを持っています。SPARROW の魅力の 1 つは、それらすべてのアイデアを平等な競争の場で提供できることです」と Coley 氏は付け加えました。 研究者らは、3 つのケーススタディを通じて分子設計サイクルを調整する SPARROW の能力を実証しています。これらのアプリケーションは、SPARROW がどのようにして (1) 情報獲得と合成コストのバランスをうまくとっているのか、(2) 分子のバッチの合成コストの非加法性を把握しているのか、(3) 数百の分子を含む候補ライブラリにスケールアップしているのかを示しています。

図: 14 種類の ASCT2 阻害剤候補のライブラリー全体でコストと報酬のバランスをとる SPARROW の能力の実証。 (出典: 論文)

彼らは、SPARROW がバッチ合成の限界コストを効果的に捉え、一般的な実験ステップと中間化学物質を特定したことを発見しました。さらに、数百の潜在的な分子候補を処理できるように拡張できます。

「化学機械学習コミュニティには、逆合成や分子特性の予測に適したモデルがたくさんありますが、実際にそれらをどのように使用すればよいでしょうか? 私たちのフレームワークは、SPARROW を作成することで、これらの予備研究の価値を活用することを目指しています。他の研究者が独自のコスト関数と効用関数を使用して化合物スクリーニングについて考えるよう導くためです」とフロマー氏は語った。

将来的には、研究者は SPARROW にさらに複雑さを組み込むことを望んでいます。たとえば、化合物をテストする価値が常に一定であるとは限らないことをアルゴリズムが考慮できるようにしたいと考えています。また、コスト対価値関数に、より多くの並行化学要素を含めたいと考えています。

参考コンテンツ:

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

以上が最適な分子を自動的に特定し、合成コストを削減する MIT は、分子設計の意思決定アルゴリズム フレームワークを開発します。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。