Industriële fabricage
Industrieel internet der dingen | Industriële materialen | Onderhoud en reparatie van apparatuur | Industriële programmering |
home  MfgRobots >> Industriële fabricage >  >> Industrial materials >> Biologie

Generatief therapeutisch ontwerp

AI-gebaseerde ideatie-engine voor biofarma

Het brengen van een nieuwe therapie voor patiënten is moeilijk, duur en tijdrovend. De gemiddelde kosten van het ontwikkelen en op de markt brengen van een medicijn bedragen ongeveer $ 3 miljard en kunnen 12-14 jaar duren. De medicijnontdekkingsfase, die ongeveer een derde van de totale kosten kost, vereist de synthese van duizenden moleculen en tot 5 jaar om een ​​enkele preklinische hoofdkandidaat te ontwikkelen. Bovendien krijgt slechts 10% van de verbindingen die deelnemen aan fase I-onderzoeken daadwerkelijk goedkeuring. Wij zijn van mening dat kunstmatige intelligentie (AI) de potentie heeft om de ontdekkingsfase te versnellen en de ontdekkingskosten aanzienlijk te verlagen. Als bijkomend voordeel kan AI wetenschappers helpen om verbindingen van hogere kwaliteit naar de kliniek te sturen, waardoor het percentage mislukkingen wordt verlaagd. Recente ontwikkelingen op het gebied van moleculaire wetenschap en machine learning, gecombineerd met de beschikbaarheid van krachtige cloudcomputingplatforms, maken dit potentieel werkelijkheid.

BIOVIA Generative Therapeutics Design (GTD) verbetert en versnelt het ontwerp van leadkandidaten door de virtuele creatie, testen en selectie van nieuwe kleine moleculen te automatiseren. De cloudgebaseerde oplossing maakt gebruik van geavanceerde AI/Machine Learning-technieken om wetenschappers te helpen beslissen welke moleculen ze vervolgens moeten maken, en helpt bij het begeleiden van het ontdekkingsproces van geneesmiddelen en het optimaliseren van de R&D-output.

Actief leren

Active learning is een specialisatie binnen Machine Learning waarin rekenen (het 'virtuele') en experiment (het 'echte') worden gecombineerd, waardoor wetenschappers op de meest efficiënte manier optimale antwoorden kunnen vinden. Met de ontdekking van kleine moleculen als voorbeeld, begint een team voor het ontdekken van geneesmiddelen met een initieel model dat is opgebouwd uit een kleine hoeveelheid gegevens, bijvoorbeeld testresultaten voor enkele tientallen verbindingen. Vervolgens gebruiken ze dit model om nieuwe verbindingen voor te stellen die de reikwijdte van hun modellen kunnen verbeteren. Terwijl ze een reeks nieuwe verbindingen synthetiseren en testen, komen er nieuwe trainingsgegevens beschikbaar om de modellen opnieuw te trainen en te verbeteren. Het op deze manier iteratief bijwerken van het model is een gevestigde benadering voor het optimaliseren van ontwerpen met zo min mogelijk iteraties, waardoor de algehele ontdekkingstijdlijn wordt verkort. Naarmate de reikwijdte en kwaliteit van de modellen verbeteren, zullen verbindingen die worden aanbevolen om het gewenste doelproductprofiel (TPP) te bereiken, diverser worden en meer kans van slagen hebben.

Human-in-the-Loop AI

Generative Therapeutics Design genereert iteratief duizenden virtuele moleculen, waarbij een enorme chemische ontwerpruimte wordt onderzocht voor optimale nieuwe leadkandidaten. Aangezien leadoptimalisatie een optimalisatie-uitdaging met meerdere doelstellingen is, beoordeelt en balanceert het systeem belangrijke doeleigenschappen zoals geneesmiddelactiviteit, oplosbaarheid, hepatotoxiciteit, beschikbaarheid van geneesmiddelen en metabole stabiliteit, en mogelijk ook gemak van synthese, ontwikkelbaarheid en IP-overwegingen zoals octrooieerbaarheid.

Bench-chemici kunnen deskundig inzicht in dit proces bieden, machinevoorspellingen aanvullen en latere ontwerpiteraties beïnvloeden. We gebruiken de term 'augmented intelligence' voor dit 'human-in-the-loop'-concept. Menselijke intelligentie werkt samen met machine-intelligentie om snellere en nauwkeurigere resultaten te behalen.

Lab-in-the-Loop AI

Natuurlijk moeten wetenschappers ook kansrijke structuren in het lab valideren. Deze "Lab-in-the-loop kunstmatige intelligentie" combineert de voordelen van onbevooroordeelde methoden voor machinaal leren met real-world experimenten en de kennis en ervaring van wetenschappelijke experts.

Als onderdeel van het ontwerpproces kan het systeem rekening houden met reagentia die beschikbaar zijn voor aankoop bij een externe leverancier of synthesebedrijf, zodat organisaties de doorlooptijd en/of kosten kunnen minimaliseren bij het werken met interne laboratoria of uitbesteding aan contractonderzoeksorganisaties.

Lopende samengestelde tests leveren aanvullende trainingsgegevens om voorspellende modellen te verbeteren. Dit kritieke actieve leerproces, gecombineerd met testen in de echte wereld, breidt de reikwijdte van de modellen uit, waardoor volgende iteraties nieuw terrein kunnen verkennen. Het proces gaat door totdat de medicinale chemicus verbindingen vindt die voldoen aan de TPP.

Modelleren en simulatie

Modellering en simulatie kunnen een aanvulling vormen op geautomatiseerde machine learning-methoden. Computationele scheikundigen kunnen complexe systemen modelleren vanuit de eerste principes en inzichten verkrijgen die veel langer zouden duren en veel meer zouden kosten als ze verkregen werden via bench-experimenten. Methoden zoals farmacofoorscores, moleculaire koppeling en vrije-energiestoring (FEP) kunnen wetenschappers helpen om in drie dimensies te voorspellen of en hoe een voorgesteld medicijnmolecuul zal interageren met een eiwit dat betrokken is bij een ziekte. Wetenschappers kunnen deze methoden automatiseren en uitvoeren als onderdeel van het generatieve ontwerpproces.

Een casestudy

Met behulp van BIOVIA Generative Therapeutics Design kon een grote Amerikaanse farma een reeks hoogwaardige machine learning-modellen bouwen op basis van een eerste set projectverbindingen. Op basis van deze modellen stelde het systeem een ​​reeks verbindingen voor voor de volgende ronde van synthese en testen. Het systeem 'leerde' snel van hun projectsamenstellingen over structurele motieven die atypisch waren, maar toch als waardevol werden beschouwd voor hun specifieke therapeutische doelwit. Medicinale chemici zouden ook kunnen specificeren welke delen van de uitgangsverbindingen constant moeten worden gehouden om een ​​smallere chemische ruimte rond deze verbindingen te benutten. Dit resulteerde in een nieuwe reeks voorgestelde virtuele verbindingen met bekende synthetische routes en een verbeterde TPP.

Uiteindelijk ontdekten de medicinale chemici dat ongeveer 80% van de door het systeem voorgestelde verbindingen voldeed aan het voorspelde eigenschappenprofiel, en één verbinding voldeed aan het volledige doelproductprofiel. De feedback van de chemici was dat de meeste van de voorgestelde verbindingen bemoedigend waren omdat ze structureel vergelijkbaar waren met verbindingen die al in overweging waren. Nog interessanter was dat een subset van de voorgestelde verbindingen structureel nieuw was en verbindingen die ze met traditionele methoden niet zouden hebben overwogen. Dit is waar Generative Therapeutics Design echte waarde laat zien - door verbindingen voor te stellen buiten het domein dat doorgaans door deze chemici wordt bestudeerd.

Drie afhaalrestaurants

  1. Generative Therapeutics Design kan een effectieve ideevormingsmotor zijn e voor bankchemici in de farmaceutische, biotech- en zelfs de agrochemische sector. Het systeem kan wetenschappers nieuwe ideeën geven over wat ze vervolgens moeten synthetiseren en hen helpen om verder te onderzoeken dan waar ze normaal naar kijken. Het voedt hun intuïtie en helpt hen op verschillende manieren over verbindingen na te denken.
  2. Generative Therapeutics Design kan de ontwikkeling van leadkandidaten versnellen —verbetering van de moleculaire kwaliteit, verlaging van de kosten van experimenten en verkorting van de tijdlijnen voor ontdekkingen. Door alleen de meest veelbelovende kandidaten naar klinische proeven te helpen, kan het systeem mogelijk miljoenen onderzoeksdollars besparen in de ontwikkeling van geneesmiddelen en andere programma's.
  3. Chemici die samenwerken met AI/Machine Learning leveren de beste resultaten. Met Generative Therapeutics Design vullen wetenschappers en AI-algoritmen elkaar aan. Wetenschappers kunnen doelmatig werken met algoritmen, hun eigen ontwerpen bedenken en hun intuïtie volledig benutten om de best mogelijke resultaten te krijgen.

Eén laatste woord

Generatieve ontwerptools zijn bijzonder krachtig wanneer ze worden gebruikt als onderdeel van een grotere zakelijke workflow. BIOVIA voegt tools toe voor een collaboratieve combinatie van virtuele en echte (V+R) gegevens, waaronder aanvraagbeheer in experimentele laboratoria, registratie van virtuele en echte verbindingen en testresultaten en geautomatiseerd opnieuw leren van Machine Learning-modellen. Op deze manier kunnen klanten baanbrekende nieuwe wetenschap integreren in bestaande workflows en bedrijfsprocessen.


Biologie

  1. Nicotinepatch
  2. Generatief ontwerp en 3D-printen:de productie van morgen
  3. Interview met experts:Robert Yancey van Autodesk over Additive Manufacturing, Generative Design en Industry 4.0
  4. Interview met expert:nTopology CEO over het bevorderen van AM-potentieel met generatieve ontwerpsoftware
  5. Druggebruik
  6. Een nieuw ontwerp van een intelligent medicijnafgiftesysteem op basis van nanoantennedeeltjes
  7. Deep learning versus machinaal leren
  8. Wat is deep learning?
  9. Verilog-zelfstudie
  10. Blockchain en machine learning toepassen op toeleveringsketens voor geneesmiddelen
  11. Wat is architectuurontwerp?