剑桥大学的研究人员与辉瑞公司合作，创建了一个人工智能驱动的“反应组”平台来预测化学反应，加快药物设计。这种创新方法利用机器学习和自动化实验，显著提高了药物开发的准确性和速度。
“反应组”是由剑桥和辉瑞公司开发的人工智能平台，通过准确预测化学反应，简化药物开发过程，彻底改变了药物设计。
研究人员开发了一个平台，将自动化实验与人工智能相结合，以预测化学物质如何相互反应，这可以加速新药的设计过程。
预测分子如何反应对于新药的发现和制造至关重要，但从历史上看，这是一个反复试验的过程，反应经常失败。为了预测分子将如何反应，化学家通常在简化模型中模拟电子和原子，这一过程计算成本高昂且通常不准确。
“反应组”方法
现在，剑桥大学的研究人员开发了一种受基因组学启发的数据驱动方法，将自动化实验与机器学习相结合，以了解化学反应性，从而大大加快了这一过程。他们称他们的方法在超过39,000个药学相关反应的数据集上得到了验证，即化学“反应组”。
他们的研究结果发表在《自然化学》杂志上，是剑桥大学和辉瑞公司合作的产物。
“反应组可能会改变我们对有机化学的看法，”该论文的第一作者、剑桥大学卡文迪许实验室的Emma King-Smith博士说。“对化学的更深入理解可以使我们能够更快地制造药品和许多其他有用的产品。但更根本的是，我们希望产生的理解将对任何与分子打交道的人有益。
方法和结果
反应组方法从数据中挑选出反应物、试剂和反应性能之间的相关相关性，并指出数据本身的差距。数据是通过非常快速或高通量的自动化实验生成的。
“高通量化学已经改变了游戏规则，但我们相信有一种方法可以发现对化学反应的更深入的理解，而不是从高通量实验的初始结果中观察到的，”King-Smith说。
“我们的方法揭示了反应成分和结果之间隐藏的关系，”领导这项研究的Alpha Lee博士说。“我们训练模型的数据集非常庞大，它将有助于将化学发现过程从试错带到大数据时代。
在发表在《自然通讯》上的一篇相关论文中，该团队开发了一种机器学习方法，使化学家能够将精确的转化引入分子的预先指定区域，从而加快药物设计速度。
后期功能化的进展
这种方法允许化学家调整复杂的分子 – 就像最后一刻的设计更改 – 而不必从头开始制作它们。在实验室中制造分子通常是一个多步骤的过程，就像建造房屋一样。如果化学家想要改变分子的核心，传统的方法是重建分子，就像推倒房子并从头开始重建一样。然而，核心变化对药物设计很重要。
一类反应，称为后期功能化反应，试图直接将化学转化引入核心，避免从头开始。然而，使后期功能化具有选择性和可控性是具有挑战性的——分子通常有许多区域可以发生反应，并且很难预测结果。
“后期功能化可能会产生不可预测的结果，目前的建模方法，包括我们自己的专家直觉，并不完美，”King-Smith说。“一个更具预测性的模型将使我们有机会进行更好的筛查。
研究人员开发了一种机器学习模型，可以预测分子的反应位置，以及反应位点如何随着不同反应条件的变化而变化。这使化学家能够找到精确调整分子核心的方法。
利用机器学习克服数据限制
King-Smith说：“我们在大量光谱数据上对模型进行了预训练，有效地教授了模型的一般化学知识，然后对其进行了微调以预测这些复杂的转变。这种方法使研究小组能够克服低数据的局限性：科学文献中报道的后期功能化反应相对较少。该团队在一组不同的类药物分子上实验验证了该模型，并能够准确预测不同条件下的反应性位点。
“机器学习在化学中的应用经常受到一个问题的限制，即与广阔的化学空间相比，数据量很小，”Lee说。“我们的方法 – 设计从大型数据集中学习的模型，这些数据集与我们试图解决的问题相似但不相同 – 解决了这一基本的低数据挑战，并可能解锁超越后期功能化的进步。
暂无评论内容