ИИ в поиске и разработке лекарств

Искусственный интеллект имеет множество вариантов использования, когда мы говорим о процессах обнаружения и разработки лекарств. Искусственный интеллект смог значительно продвинуть вековые методологии фармацевтических исследований и усовершенствовать их по сравнению с традиционными подходами.

Разработка лекарств основана на разработке молекул. Есть 2 подхода к разработке молекул:

1. На основе структуры

Этот подход требует знания структуры как мишени, так и лиганда.

Он касается методов расчета связывания свободной энергии, докинга белок-лиганд, динамики молекул и т. Д.

2. На основе лиганда

Подход на основе лиганда использует информацию о лиганде для прогнозирования биологической реакции.

Что такое лиганд?

Это ион/молекула, которая связывается с центральным атомом, образуя сложную координацию.

Трубопровод обнаружения наркотиков

Оценка энергии между молекулами

Он основан на эмпирической оценочной функции/силовых полях. При открытии и разработке лекарств определение силовых полей, их параметризация и передача — сложная задача, когда существует миллион комбинаций возможных лигандов. Параметризация и передача силовых полей сложны, поскольку преобразование квантовой физики больших размеров в аналитическую функциональную форму является довольно утомительной задачей. Зоопарк силовых полей создан, чтобы помочь этой задаче.

Сложная задача в разработке лекарств

Понимание динамики силового поля, где и как оно работает, является большой проблемой.

1. Силовые поля работают очень быстро, но они могут плохо работать вне своего окружения/настройки. Таким образом, получить точное измерение силового поля сложно.
2. Вычислительные затраты на разработку методов квантовой механики высоки и требуют много времени.

Эти 2 вызывают серьезные задержки в разработке лекарств.

Искусственный интеллект повышает роль вычислительных методов в области открытия и разработки лекарств. Искусственный интеллект и большие данные вместе называются четвертой промышленной революцией.

Следующие модели машинного обучения используются для измерения квантово-механических свойств.

1. Регрессия Kernel Ridge
2. Нейронные сети
3. Регрессия гауссовского процесса

Преимущества: использование вышеуказанных моделей обеспечивает высокую точность количественного измерения свойств и снижает числовую сложность.

Традиционные методы, используемые при разработке лекарств

1. Ab initio — это метод квантовой химии, который пытается решить электронное уравнение Шредингера с учетом положения ядер и количества электронов, чтобы получить полезную информацию, такую ​​как плотность электронов, энергии и другие свойства. системы. Возможность проведения этих расчетов позволила химикам-теоретикам решить ряд проблем.
2. DFT — Density Functional Theory – это метод вычислительного квантово-механического моделирования, используемый в физике, химии и материаловедении для исследования электронной структуры (или ядерной структуры) (в основном основного состояния) систем многих тел в отдельные атомы, молекулы и конденсированные фазы

Вышеупомянутые модели машинного обучения работают лучше, чем ab initio и DFT. Модели машинного обучения способны лучше определять сложные взаимосвязи между данными, чем физические, с помощью методов напряжённой аппроксимации, таких как силовые поля и полуэмпирический QM.

Недостатком модели машинного обучения является то, что она сильно зависит от качества и количества обучающих данных. Для обучения моделей общего назначения требуется огромное количество справочных данных.

ANI-1 – это первый пример универсальной расширяемой молекулярной нейронной сети. Обучающие данные для ANI-1 составляли около 22 миллионов конформаций малых молекул.

Выходные данные ANI-1 — модель способна предсказывать энергии в более крупных системах и новые данные испытаний с применимостью к молекулам до 70 атомов.

Искусственный интеллект для первичного скрининга наркотиков

Модели компьютерного зрения — используются для идентификации отдельных объектов/признаков при распознавании изображений. Подумайте об обнаружении рака молочной железы. Ниже приведены шаги:

1. Обработка изображений -Cell Изображения отделены от фона, расширенные методы обработки изображений для улучшения разрешения изображений.
2. Извлечение Tamura (функции Tamura являются важными функциями текстуры, которые основаны на визуальном восприятии человека) и функцией текстуры Wavelet (преобразования Wavelet [6] представляют изображение в пространстве, система координат которого имеет интерпретацию, тесно связанную с характеристиками текстуры)
3. Анализ основных компонентов — для уменьшения размеров извлеченных функций изображения.
4. Классифицируйте типы ячеек с помощью машин опорных векторов наименьших квадратов

Искусственный интеллект в фармацевтических устройствах

Устройства для сортировки клеток, активируемые изображением (IACSD). Это высокоскоростные устройства цифровой обработки изображений и принятия решений, использующие в качестве своей архитектуры сверточную глубокую нейронную сеть.

ИИ также используется для интерпретации клинического диагноза электрокардиографии (ЭКГ). Это помогло повысить точность и масштабируемость автоматизированного анализа ЭКГ.

Искусственный интеллект во вторичном скрининге наркотиков

ИИ используется для прогнозирования физических свойств на этапе разработки/дизайна лекарств. Наиболее вероятные кандидаты в наркотики могут быть идентифицированы на основе следующих признаков:

1. Биодоступность
2. Биоактивность
3. Токсичность

Точка плавления (легкость растворения) и Коэффициент распределения (относительная растворимость между водой и маслом) — сильно влияют на биодоступность. Эти два свойства являются важными особенностями, учитываемыми при разработке новых лекарств.

Модели машинного обучения используют следующие свойства, чтобы помочь процессам скрининга наркотиков:

1. Молекулярный отпечаток — строка [упрощенная система ввода молекулярной строки (SMILES)]
2. Измерение потенциальной энергии
3. Молекулярные графики
4. Кулоновские матрицы

Приятного чтения :)

использованная литература