Mengenal pasti molekul terbaik secara automatik dan mengurangkan kos sintesis MIT membangunkan rangka kerja algoritma pembuatan keputusan reka bentuk molekul

Editor |. Ziluo

Penggunaan AI untuk menyelaraskan penemuan dadah semakin meletup. Skrin berbilion molekul calon untuk mereka yang mungkin mempunyai sifat yang diperlukan untuk membangunkan ubat baharu. Terdapat begitu banyak pembolehubah untuk dipertimbangkan, daripada harga material kepada risiko kesilapan, sehingga menimbang kos mensintesis molekul calon terbaik bukanlah tugas yang mudah, walaupun saintis menggunakan AI.

Di sini, penyelidik MIT membangunkan SPARROW, rangka kerja algoritma keputusan kuantitatif, untuk mengenal pasti calon molekul terbaik secara automatik, dengan itu meminimumkan kos sintesis sambil memaksimumkan kemungkinan calon mempunyai sifat yang diingini. Algoritma juga menentukan bahan dan langkah eksperimen yang diperlukan untuk mensintesis molekul ini.

SPARROW mengambil kira kos mensintesis sekumpulan molekul sekaligus, kerana berbilang molekul calon selalunya boleh diperoleh daripada beberapa sebatian yang sama. Selain itu, pendekatan bersatu ini membolehkan akses kepada maklumat kritikal untuk reka bentuk molekul, ramalan sifat dan perancangan sintesis daripada repositori dalam talian dan alatan AI yang digunakan secara meluas.

Selain membantu syarikat farmaseutikal menemui ubat baharu dengan lebih cekap, SPARROW juga boleh digunakan untuk mencipta bahan kimia pertanian baharu atau menemui bahan khusus untuk elektronik organik.

Penyelidikan berkaitan bertajuk "Rangka kerja algoritma untuk membuat keputusan sedar kos sintetik dalam reka bentuk molekul" telah diterbitkan pada "Nature Computational Science" pada 19 Jun.

Pautan kertas: https://www.nature.com/articles/s43588-024-00639-y

"Pemilihan sebatian adalah seni, dan kadangkala ia adalah seni yang sangat berjaya. Tetapi memandangkan bahawa kita mempunyai semua model dan alat ramalan yang memberikan maklumat tentang bagaimana molekul mungkin berkelakuan dan disintesis, kita harus menggunakan maklumat itu untuk membimbing keputusan yang kita buat," kata Connor, pengarang kertas yang sepadan dan penolong profesor di Jabatan Kejuruteraan Kimia di MIT Coley berkata.

Rangka kerja algoritma membuat keputusan kuantitatif SPARROW

"Perancangan Sintesis Dan Aliran Kerja Pengoptimuman Laluan Berasaskan Ganjaran, SPARROW" ialah rangka kerja membuat keputusan algoritma yang digunakan untuk memacu kitaran reka bentuk.

Ilustrasi: Gambaran keseluruhan SPARROW dan peranannya dalam kitaran reka bentuk molekul. (Sumber: kertas)

Penyelidikan ini membina rumusan masalah awal untuk pemilihan serentak laluan sintetik untuk berbilang molekul, dan penyepaduan reka bentuk sistem produk dan proses. Tidak seperti kaedah saringan tradisional, SPARROW menggunakan kriteria pengoptimuman berbilang objektif yang mengimbangi kos dan utiliti untuk mengutamakan molekul dan laluan sintetik yang diduga daripada perpustakaan molekul calon.

SPARROW menjana rangkaian tindak balas yang terdiri daripada molekul sasaran calon dan laluan sintetik. Dengan menyelesaikan masalah pengoptimuman berasaskan graf, satu set molekul dan laluan sintetik boleh disaring untuk mengimbangi kos dan utiliti sintetik kumulatif secara optimum. Dalam konteks ini, utiliti mengukur nilai menilai sifat molekul.

Langkah utiliti yang sesuai akan berbeza-beza pada peringkat aplikasi dan reka bentuk yang berbeza. Ia mungkin termasuk ramalan sifat molekul, ketidakpastian dalam ramalan ini atau potensi titik data baharu untuk memperbaik hubungan struktur-sifat. Perpustakaan calon mesti diberikan kepada SPARROW dengan ganjaran sepadan yang menunjukkan utiliti yang dikaitkan dengan setiap molekul calon.

Ilustrasi: Pernyataan masalah SPARROW. (Sumber: Kertas)

Ganjaran untuk memilih molekul juga bergantung pada kejayaan langkah tindak balas yang dipilih untuk mensintesis molekul tersebut. Jika langkah tindak balas dalam laluan sintetik molekul calon gagal, tiada maklumat diperoleh. Para penyelidik memformalkan ini dengan memaksimumkan ganjaran yang diharapkan untuk memilih molekul calon, yang boleh dinyatakan sebagai ganjarannya didarabkan dengan kebarangkalian berjaya mensintesis molekul.

Mengimbangi kos dan utiliti, matlamat SPARROW boleh diformalkan sebagai ganjaran yang dijangkakan untuk semua matlamat yang dipilih dibahagikan dengan kos mensintesis semua matlamat yang dipilih menggunakan laluan yang dipilih.

Pertimbangan kos yang rumit

Dari satu segi, sama ada saintis perlu mensintesis dan menguji molekul tertentu datang kepada persoalan tentang kos sintesis berbanding nilai eksperimen. Walau bagaimanapun, menentukan kos atau nilai adalah masalah yang sukar dengan sendirinya.

SPARROW menangani cabaran ini dengan mengambil kira sebatian perantaraan dikongsi yang terlibat dalam mensintesis molekul dan memasukkan maklumat ini ke dalam fungsi kos vs nilainya.

"Apabila anda berfikir tentang masalah pengoptimuman mereka bentuk kumpulan molekul, kos menambah struktur baharu bergantung pada molekul yang telah anda pilih," kata Coley.

Rangka kerja ini juga mengambil kira faktor seperti kos bahan permulaan, bilangan tindak balas yang terlibat dalam setiap laluan sintesis, dan kemungkinan tindak balas tersebut berjaya pada percubaan pertama.

Untuk menggunakan SPARROW, saintis menyediakan satu set sebatian molekul yang sedang mereka pertimbangkan untuk diuji, bersama dengan takrifan sifat yang mereka harap dapati.

Seterusnya, SPARROW mengumpul maklumat tentang molekul dan laluan sintesisnya, kemudian menimbang nilai setiap molekul dengan kos mensintesis sekumpulan calon. Ia secara automatik memilih subset terbaik calon yang memenuhi kriteria pengguna dan mencari laluan sintetik paling kos efektif untuk sebatian ini.

Jenna Fromer, pengarang pertama kertas kerja, berkata: "Ia melakukan semua pengoptimuman ini dalam satu langkah, jadi ia boleh menangkap semua matlamat bersaing ini pada masa yang sama

Rangka kerja pelbagai fungsi

SPARROW ialah." unik kerana ia boleh disepadukan struktur Molekul yang direka oleh manusia, wujud dalam katalog maya, atau struktur molekul yang tidak pernah dilihat sebelum ini yang dicipta oleh model AI generatif.

"Kami mempunyai pelbagai sumber idea yang berbeza. Sebahagian daripada daya tarikan SPARROW ialah anda boleh meletakkan semua idea itu pada satu padang yang sama," tambah Coley.

Penyelidik menunjukkan keupayaan SPARROW untuk mengatur kitaran reka bentuk molekul melalui tiga kajian kes. Aplikasi ini menggambarkan bagaimana SPARROW (1) berjaya mengimbangi perolehan maklumat dengan kos sintesis, (2) menangkap ketidakaditiviti kos sintesis untuk kumpulan molekul, dan (3) skala kepada perpustakaan calon yang mengandungi ratusan molekul.

Ilustrasi: Demonstrasi keupayaan SPARROW untuk mengimbangi kos dan ganjaran merentas perpustakaan 14 calon perencat ASCT2. (Sumber: Kertas)

Mereka mendapati bahawa SPARROW berkesan menangkap kos marginal sintesis kelompok dan mengenal pasti langkah eksperimen biasa dan bahan kimia perantaraan. Tambahan pula, ia boleh dikembangkan untuk mengendalikan beratus-ratus calon molekul yang berpotensi.

「Dalam komuniti pembelajaran mesin kimia, terdapat banyak model yang berfungsi dengan baik untuk retrosintesis atau ramalan sifat molekul, tetapi bagaimanakah kita sebenarnya menggunakan rangka kerja kami untuk memanfaatkan nilai kajian awal ini, Kami berharap untuk membimbing penyelidik lain dalam memikirkan tentang pemeriksaan kompaun menggunakan kos dan fungsi utiliti mereka sendiri," kata Fromer.

Pada masa hadapan, penyelidik berharap dapat memasukkan lebih banyak kerumitan ke dalam SPARROW. Sebagai contoh, mereka berharap untuk membolehkan algoritma mengambil kira bahawa nilai ujian sebatian mungkin tidak sentiasa tetap. Mereka juga ingin memasukkan lebih banyak unsur kimia selari dalam fungsi kos berbanding nilai mereka.

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

Atas ialah kandungan terperinci Mengenal pasti molekul terbaik secara automatik dan mengurangkan kos sintesis MIT membangunkan rangka kerja algoritma pembuatan keputusan reka bentuk molekul. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!