최고의 분자를 자동으로 식별하고 합성 비용을 절감합니다. MIT는 분자 설계 의사결정 알고리즘 프레임워크를 개발합니다.

편집자 | Ziluo

신약 발견을 간소화하기 위한 AI의 사용이 폭발적으로 증가하고 있습니다. 신약 개발에 필요한 특성을 가질 수 있는 수십억 개의 후보 분자를 스크리닝합니다. 재료 가격부터 오류 위험까지 고려해야 할 변수가 너무 많아 과학자들이 AI를 사용하더라도 최고의 후보 분자를 합성하는 데 드는 비용을 평가하는 것은 쉬운 일이 아닙니다.

여기서 MIT 연구원들은 정량적 결정 알고리즘 프레임워크인 SPARROW를 개발하여 최고의 분자 후보를 자동으로 식별함으로써 합성 비용을 최소화하는 동시에 후보가 원하는 특성을 가질 가능성을 최대화했습니다. 알고리즘은 또한 이러한 분자를 합성하는 데 필요한 재료와 실험 단계를 결정했습니다.

SPARROW는 여러 후보 분자가 동일한 화합물 중 일부에서 파생될 수 있기 때문에 한 번에 분자 배치를 합성하는 비용을 고려합니다. 또한 이 통합 접근 방식을 통해 온라인 저장소 및 널리 사용되는 AI 도구에서 분자 설계, 특성 예측 및 합성 계획에 대한 중요한 정보에 액세스할 수 있습니다.

SPARROW는 제약회사가 보다 효율적으로 신약을 발견할 수 있도록 돕는 것 외에도 새로운 농약을 개발하거나 유기전자공학에 특화된 소재를 발견하는 데에도 사용될 수 있습니다.

"분자 설계에서 합성 비용 인식 의사 결정을 위한 알고리즘 프레임워크"라는 제목의 관련 연구가 6월 19일 "Nature Computational Science"에 게재되었습니다.

논문 링크: https://www.nature.com/articles/s43588-024-00639-y

"화합물의 선택은 예술이며 때로는 매우 성공적인 예술입니다. 하지만 주어진 우리는 분자가 어떻게 행동하고 합성될 수 있는지에 대한 정보를 제공하는 모든 모델과 예측 도구를 가지고 있기 때문에 그 정보를 사용하여 우리가 내리는 결정을 내려야 합니다."라고 논문의 교신 저자이자 학과 조교수인 Connor는 말했습니다. MIT의 화학공학과가 말했습니다.

정량적 의사결정 알고리즘 프레임워크 SPARROW

"합성 계획 및 보상 기반 경로 최적화 워크플로우, SPARROW"는 설계 주기를 구동하는 데 사용되는 알고리즘 의사결정 프레임워크입니다.

그림: SPARROW의 개요와 분자 설계 주기에서의 역할. (출처: 논문)

이 연구는 여러 분자에 대한 합성 경로의 동시 선택과 제품 및 공정 시스템 설계의 통합을 위한 초기 문제 공식화를 기반으로 합니다. 기존 스크리닝 방법과 달리 SPARROW는 후보 분자 라이브러리에서 분자와 추정 합성 경로의 우선순위를 지정하기 위해 비용과 유용성의 균형을 맞추는 다목적 최적화 기준을 사용합니다.

SPARROW는 후보 표적 분자와 합성 경로로 구성된 반응 네트워크를 생성합니다. 그래프 기반 최적화 문제를 해결함으로써 일련의 분자 및 합성 경로를 선별하여 누적 합성 비용과 유용성의 균형을 최적으로 맞출 수 있습니다. 이러한 맥락에서 유틸리티는 분자 특성을 평가하는 가치를 측정합니다.

적절한 유용성 측정은 적용 및 디자인 단계에 따라 다릅니다. 여기에는 분자 특성 예측, 이러한 예측의 불확실성 또는 구조-특성 관계를 개선하기 위한 새로운 데이터 포인트의 가능성이 포함될 수 있습니다. 각 후보 분자와 관련된 유용성을 나타내는 해당 보상과 함께 후보 라이브러리를 SPARROW에 제공해야 합니다.

삽화: SPARROW의 문제 진술. (출처: Paper)

분자 선택에 대한 보상은 해당 분자를 합성하기 위해 선택한 반응 단계의 성공 여부에 따라 달라집니다. 후보 분자의 합성 경로에서 반응 단계가 실패하면 정보를 얻을 수 없습니다. 연구진은 후보 분자를 선택할 때 예상되는 보상을 최대화함으로써 이를 공식화했는데, 이는 보상에 분자 합성 성공 확률을 곱하여 표현될 수 있습니다.

비용과 유틸리티의 균형을 유지하면서 SPARROW의 목표는 선택한 모든 목표의 예상 보상을 선택한 경로를 사용하여 선택한 모든 목표를 합성하는 비용으로 나누어 공식화할 수 있습니다.

복잡한 비용 고려 사항

어떤 의미에서 과학자들이 특정 분자를 합성하고 테스트해야 하는지 여부는 합성 비용과 실험 가치의 문제로 귀결됩니다. 그러나 비용이나 가치를 결정하는 것 자체는 어려운 문제이다.

SPARROW는 분자 합성과 관련된 공유 중간 화합물을 고려하고 이 정보를 비용 대비 가치 함수에 통합하여 이러한 문제를 해결합니다.

"분자 배치를 설계하는 최적화 문제에 대해 생각할 때 새로운 구조를 추가하는 비용은 이미 선택한 분자에 따라 달라집니다"라고 Coley는 말했습니다.

프레임워크에서는 출발 물질의 비용, 각 합성 경로에 관련된 반응 수, 첫 번째 시도에서 해당 반응이 성공할 가능성 등의 요소도 고려합니다.

SPARROW를 사용하기 위해 과학자들은 테스트를 고려 중인 일련의 분자 화합물과 찾고자 하는 특성의 정의를 제공합니다.

다음으로 SPARROW는 분자 및 합성 경로에 대한 정보를 수집한 다음 후보군 합성 비용과 각 분자의 가치를 비교합니다. 사용자 기준을 충족하는 최상의 후보 하위 집합을 자동으로 선택하고 이러한 화합물에 대해 가장 비용 효율적인 합성 경로를 찾습니다.

논문의 첫 번째 저자인 Jenna Fromer는 "이러한 모든 최적화를 한 단계로 수행하므로 이러한 모든 경쟁 목표를 동시에 포착할 수 있습니다."라고 말했습니다.

다기능 프레임워크

SPARROW는 인간이 설계한 분자 구조, 가상 카탈로그에 존재하는 분자 구조 또는 생성 AI 모델에 의해 생성된 이전에 볼 수 없었던 분자 구조를 통합할 수 있다는 점에서 독특합니다.

"우리는 다양한 아이디어 소스를 보유하고 있습니다. SPARROW의 매력 중 하나는 이러한 모든 아이디어를 공평한 경쟁의 장에 놓을 수 있다는 것입니다."라고 Coley는 덧붙였습니다.

연구원들은 세 가지 사례 연구를 통해 분자 설계 주기를 조율하는 SPARROW의 능력을 보여줍니다. 이러한 애플리케이션은 SPARROW가 (1) 정보 획득과 ​​합성 비용의 균형을 성공적으로 맞추고, (2) 분자 배치에 대한 합성 비용의 비가산성을 포착하고, (3) 수백 개의 분자가 포함된 후보 라이브러리로 확장하는 방법을 보여줍니다.

그림: 14개의 ASCT2 억제제 후보 라이브러리에서 비용과 보상의 균형을 맞추는 SPARROW의 능력을 보여줍니다. (출처: 논문)

그들은 SPARROW가 배치 합성의 한계 비용을 효과적으로 포착하고 일반적인 실험 단계와 중간 화학 물질을 식별한다는 것을 발견했습니다. 또한 수백 가지의 잠재적인 분자 후보를 처리하도록 확장할 수 있습니다.

「화학 기계 학습 커뮤니티에는 역합성이나 분자 특성 예측에 적합한 모델이 많이 있는데, 실제로 이를 어떻게 사용합니까? 우리 프레임워크는 이러한 예비 연구의 가치를 활용하는 것을 목표로 합니다. 다른 연구자들이 자신의 비용 및 효용 함수를 사용하여 복합 스크리닝에 대해 생각하도록 안내합니다."라고 Fromer는 말했습니다.

앞으로 연구자들은 SPARROW에 더 많은 복잡성을 통합하기를 희망합니다. 예를 들어, 그들은 화합물 테스트의 가치가 항상 일정하지 않을 수 있다는 점을 알고리즘이 고려할 수 있기를 희망합니다. 그들은 또한 비용 대비 가치 기능에 더 많은 병렬 화학 원소를 포함하기를 원합니다.

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

위 내용은 최고의 분자를 자동으로 식별하고 합성 비용을 절감합니다. MIT는 분자 설계 의사결정 알고리즘 프레임워크를 개발합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!