効率1200倍アップ！ MIT が新しい AI 製薬モデルを開発

海外メディアTech Xploreによると、MITの研究者らは最近、新しいタンパク質分子の構造を事前に予測し、医薬品開発の効率を向上させることができる「EquBind」と呼ばれる新しいモデルを開発したとのこと。

現在、この技術は業界に認知されており、この技術を解説した論文は7月に開催される機械学習国際会議(ICML)にも採択される予定です。

1. 速度が 1200 倍に向上し、EquBind モデルは薬物のような分子を迅速にスクリーニングできます

現在、薬物の研究開発は時間と費用がかかる問題です。その主な理由は、医薬品の開発に非常に費用がかかることです。このコストには、数十億ドルの設備投資だけでなく、数十年に及ぶ研究時間も含まれます。

そして、研究開発の過程では、90% の医薬品は効果がなかったり副作用が多すぎたりするために失敗し、食品医薬品局の検査に合格して販売が承認されるのは 10% のみです。

したがって、製薬会社は、開発に成功した薬の価格を引き上げて、薬の失敗による損失を補填するため、現在、一部の薬の価格は高止まりしています。

▲タンパク質の分子構造の一部

研究者が薬を開発したい場合は、まず開発の可能性を持つ薬のような分子を見つけなければなりません。医薬品開発の進展が遅いもう一つの重要な理由は、膨大な数の既存の医薬品のような分子です。現在、ドラッグライク分子は1,016種類も存在するというデータがあり、これは既存の分子計算モデルの計算上限をはるかに超えています。

このような大きな分子をデータで処理し、医薬品開発のプロセスをスピードアップするために、マサチューセッツ工科大学電気工学およびコンピューターサイエンス学科の大学院 1 年生である Hannes St rk は、幾何学的な深層構造を開発しました。 「EquBind」と呼ばれる学習モデル。 EquBind は、既存の最速の分子計算ドッキング モデルよりも 1,200 倍速く実行され、薬物のような分子をより速く見つけることができます。

2. EquBind モデルはタンパク質構造を正確に予測し、医薬品開発の効率を向上させることができます

現在、ほとんどの従来の分子コンピューティング ドッキング モデルは、「リガンド-タンパク質」(リガンド-タンパク質) と呼ばれる方法を使用しています。 -タンパク質結合) 薬物様分子を検索する方法。具体的には、モデルはまず多数のサンプル分子を受け取り、次にリガンドをさまざまな分子に結合させ、次にモデルがさまざまな分子をスコアリングし、最終的なランキングを使用して最適な分子を選択する必要があります。ただし、このアプローチには複雑なプロセスがあり、モデルは薬物のような分子を見つける効率が低くなります。

Hannes St rk は、このプロセスを鮮やかな比喩で表現し、次のように述べています:「これまでの典型的な 'リガンド-タンパク質' アプローチは、モデルに鍵穴の多い錠前に鍵を挿入させようとするようなものでした。モデルは鍵と各鍵穴の間の適合性をスコアリングし、最も適切なものを選択することに多くの時間を費やしています。」

彼はさらに説明しました: 「そして、EquBind は最も時間のかかるステップをスキップできます。 、予測することができます。」新しい分子に遭遇したときに、事前に最も適切な「鍵穴」を見つけることを「ブラインドドッキング」と呼びます。EquBind には、モデルが分子の基本構造を学習するのに役立つ幾何学的推論アルゴリズムが組み込まれています。このアルゴリズムにより、EquBind は直接新しい分子に遭遇したときに、さまざまな位置を試して採点することに多くの時間を費やすことなく、最適な位置を予測できます。」

▲マサチューセッツ工科大学

3. EquBind モデルは業界でうまく使用されており、著者はさらなるフィードバックを楽しみにしています

このモデルは、治療会社 Relay の最高データ責任者である Pat Walters の注目を集めました。ウォルスター氏は、ハンネス・シュテルク氏の研究グループがこのモデルを肺がん、白血病、胃腸腫瘍の治療薬の開発に使用することを提案した。一般に、これらの分野の医薬品に使用されるタンパク質リガンドは、従来の方法のほとんどを使用してドッキングするのは困難ですが、EquBind はそれらを正常にドッキングできます。

▲肺がん治療のための 2 つの阻害薬

Walters 氏は次のように述べています。「EquBind は、タンパク質のドッキング問題に対する独自の解決策を提供します。構造などの問題を解決します。」 「予測と結合部位の同定。この方法は、何千もの公開された結晶構造情報を有効に活用でき、EquBind は新しい方法でこの分野に影響を与える可能性があります。」

投稿 この技術に関する論文は、国際学術誌に受理される予定です。 7 月に開催される機械学習カンファレンス (ICML) 論文の著者であるハンネス・ストルク氏は、「このカンファレンスで EquBind モデルを改善するための提案を受け取ることを楽しみにしています。」

結論: 互換性AI と医薬品の連携は優れており、開発の勢いは絶好調です

AI 医薬品は、2020 年に世間の注目を集めたばかりの新興分野です。

製薬分野は自然な AI シナリオです。新薬の研究開発はサイクルが長く、コストが高く、成功率が低いため、AI の余地が大きく残されています。機械は独自にデータを学習し、データをマイニングし、専門家の経験を超えて医薬品の研究開発ルールを要約し、医薬品の研究と開発を最適化できます。これにより、あらゆる面で医薬品の研究開発の効率と成功率が向上するだけでなく、研究開発費や試行錯誤コストの削減も期待されます。

このような特徴と開発の可能性により、現在AI医薬品は勢いを増しています。しかし、業界関係者の中には「AIは製薬プロセスにおける補助的な役割にすぎず、業界固有のプロセスや仕組みを回避することはできない。10年分の仕事を2～3年で終わらせるのは不可能だ」と悲観的な見方もある。

しかし全体として、AI医薬品の分野では依然として新たな技術的進歩があり、開発は急成長しています。

以上が効率1200倍アップ！ MIT が新しい AI 製薬モデルを開発の詳細内容です。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。