Rumah >Peranti teknologi >AI >Kecekapan meningkat sebanyak 1200 kali ganda! MIT membangunkan model farmaseutikal AI baharu
Menurut media asing Tech Xplore, penyelidik di MIT baru-baru ini membangunkan model baharu yang dipanggil EquBind, yang boleh meramalkan struktur molekul protein baharu terlebih dahulu dan meningkatkan kecekapan pembangunan ubat.
Pada masa ini, teknologi ini telah diiktiraf oleh industri, dan kertas yang menerangkan teknologi ini juga akan diterima oleh Persidangan Antarabangsa mengenai Pembelajaran Mesin (ICML) pada bulan Julai.
Pada masa ini, penyelidikan dan pembangunan ubat adalah proses yang panjang dan mahal. Sebab utamanya ialah membangunkan dadah sangat mahal. Kos ini termasuk bukan sahaja berbilion dolar dalam pelaburan modal, tetapi juga dekad masa penyelidikan.
Dan semasa proses penyelidikan dan pembangunan, 90% ubat akan gagal kerana tidak berkesan atau terlalu banyak kesan sampingan Hanya 10% ubat yang berjaya lulus pemeriksaan Pentadbiran Makanan dan Ubat dan diluluskan untuk dipasarkan.
Oleh itu, syarikat farmaseutikal akan menaikkan harga ubat yang berjaya dibangunkan untuk menebus kerugian yang disebabkan oleh ubat yang gagal, jadi harga sesetengah ubat pada masa ini kekal tinggi.
▲Sesetengah struktur molekul protein
Sekiranya penyelidik ingin membangunkan ubat, mereka mesti mencari molekul seperti ubat dengan molekul berpotensi pembangunan dahulu). Satu lagi sebab penting untuk kemajuan perlahan pembangunan ubat ialah sejumlah besar molekul seperti ubat sedia ada. Data menunjukkan bahawa pada masa ini terdapat sebanyak 1,016 molekul seperti ubat sedia ada, jumlah yang jauh melebihi had atas pengiraan model pengiraan molekul sedia ada.
Untuk memproses molekul dengan data yang begitu besar dan mempercepatkan proses pembangunan dadah, Hannes St rk, seorang pelajar siswazah tahun pertama di Jabatan Kejuruteraan Elektrik dan Sains Komputer di MIT, membangunkan kedalaman geometri model pembelajaran yang dipanggil "EquBind". EquBind berjalan 1,200 kali lebih pantas daripada model dok pengiraan molekul sedia ada terpantas, membolehkannya mencari molekul seperti dadah dengan lebih pantas.
Pada masa ini, kebanyakan model dok pengkomputeran molekul tradisional menggunakan kaedah yang dipanggil "ligan-protein" (ligan-kepada -protein binding) kaedah untuk mencari molekul seperti dadah. Khususnya, model perlu terlebih dahulu menerima sejumlah besar molekul sampel, kemudian biarkan ligan terikat kepada pelbagai molekul, dan kemudian model itu menjaringkan molekul yang berbeza, dan kemudian menggunakan kedudukan terakhir untuk memilih molekul yang paling sesuai. Walau bagaimanapun, pendekatan ini mempunyai proses yang rumit dan modelnya kurang cekap dalam mencari molekul seperti dadah.
Hannes St rk memberikan metafora yang jelas untuk proses ini Dia berkata: "Pendekatan tipikal 'ligan-protein' sebelum ini adalah seperti cuba mendapatkan model untuk memasukkan kunci ke dalam kunci dengan banyak lubang kunci. menghabiskan banyak masa untuk menjaringkan kesesuaian antara kunci dan setiap lubang kunci, dan kemudian memilih yang paling sesuai "
Dia terus menerangkan: "EquBind boleh melangkau langkah yang paling memakan masa , boleh meramalkan 'lubang kunci' yang paling sesuai terlebih dahulu apabila menemui molekul baru Ini dipanggil 'dok buta' (dok buta EquBind mempunyai algoritma penaakulan geometri terbina dalam yang boleh membantu model mempelajari struktur asas molekul itu). kedudukan yang paling sesuai apabila menghadapi molekul baru, tanpa menghabiskan banyak masa mencuba kedudukan dan pemarkahan yang berbeza ”
▲Massachusetts
Model ini menarik perhatian Pat Walters, Ketua Pegawai Data syarikat terapeutik Relay Notice. Wolster mencadangkan kumpulan penyelidik Hannes Störk menggunakan model ini untuk membangunkan ubat untuk kanser paru-paru, leukemia dan tumor gastrousus. Secara umumnya, ligan protein yang digunakan dalam ubat-ubatan dalam bidang ini sukar untuk didok menggunakan kebanyakan kaedah tradisional, tetapi EquBind boleh berjaya melabuhkannya.
▲Dua ubat perencat untuk merawat kanser paru-paru
Walters berkata: "EquBind menyediakan penyelesaian unik kepada masalah dok protein. Ia Menyelesaikan masalah seperti struktur ramalan dan pengenalan tapak mengikat. Kaedah ini boleh menggunakan ribuan maklumat struktur kristal yang diterbitkan, dan EquBind boleh memberi kesan kepada medan dengan cara baharu."
Menyiarkan ini. Kertas kerja mengenai teknologi ini akan diterima oleh Persidangan Antarabangsa mengenai Pembelajaran Mesin (ICML) pada bulan Julai, Hannes St rk, pengarang kertas kerja, berkata: "Saya tidak sabar-sabar untuk menerima beberapa cadangan untuk menambah baik model EquBind pada persidangan ini." AI dan farmaseutikal mempunyai keserasian yang sangat baik, dan momentum pembangunannya berkembang pesat
Bidang farmaseutikal ialah senario AI semula jadi. Kitaran panjang, kos tinggi dan kadar kejayaan rendah penyelidikan dan pembangunan ubat baharu telah meninggalkan ruang yang besar untuk AI: mesin boleh mempelajari data secara bebas, melombong data, meringkaskan peraturan penyelidikan dan pembangunan ubat melangkaui pengalaman pakar, dan kemudian mengoptimumkan penyelidikan dadah dan proses pembangunan Dalam setiap aspek, ini bukan sahaja dapat meningkatkan kecekapan dan kadar kejayaan penyelidikan dan pembangunan dadah, tetapi juga dijangka mengurangkan perbelanjaan penyelidikan dan pembangunan serta kos percubaan dan kesilapan.
Disebabkan ciri-ciri dan potensi pembangunan sedemikian, farmaseutikal AI kini mendapat momentum. Walau bagaimanapun, sesetengah orang dalam industri bersikap pesimis, mengatakan bahawa AI hanya memainkan peranan sokongan dalam proses farmaseutikal dan tidak boleh memintas proses dan mekanisme yang wujud dalam industri. Adalah mustahil untuk menyelesaikan sepuluh tahun kerja dalam dua atau tiga tahun.
Tetapi secara keseluruhan, masih terdapat penemuan teknologi baharu dalam bidang farmaseutikal AI, dan pembangunan sedang berkembang pesat.
Atas ialah kandungan terperinci Kecekapan meningkat sebanyak 1200 kali ganda! MIT membangunkan model farmaseutikal AI baharu. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!