新的活性药物成分为创新和更好的医疗奠定了基础。然而，识别它们，最重要的是，在实验室中通过化学合成生产它们绝非易事。
为了找到最佳的生产工艺，化学家通常使用试错法：他们从已知的化学反应中推导出实验室合成的可能方法，然后通过实验测试每一种方法;这是一种耗时且充满死胡同的方法。
现在，苏黎世联邦理工学院的科学家与罗氏制药研究和早期开发的研究人员一起提出了一种基于人工智能(AI)的方法，有助于确定最佳的合成方法，包括其成功的可能性。
“我们的方法可以大大减少所需的实验室实验数量，”KennethAtz解释道，他作为博士生与苏黎世联邦理工学院药物科学研究所的GisbertSchneider教授一起开发了人工智能模型。
活性药物成分通常由支架组成，支架上结合有所谓的官能团。这些赋予了该物质高度特异性的生物学功能。支架的作用是将功能组引入定义的几何排列，以便它们能够以有针对性的方式发挥作用。
想象一下起重机构造套件，其中连接元件的框架通过螺栓连接在一起，使得滚轮、电缆绞车、车轮和驾驶室等功能组件彼此正确布置。
生产具有新的或改进的药效的药物的一种方法是将官能团放置在支架上的新位点。这听起来可能很简单，而且在模型起重机上肯定不会造成问题，但在化学中尤其困难。
这是因为支架主要由碳和氢原子组成，本身几乎不反应，因此很难将它们与氧、氮或氯等功能原子结合。为了成功实现这一点，支架必须首先通过迂回反应进行化学激活。
至少在纸面上，一种为不同官能团开辟了多种可能性的激活方法是硼酸化。在此过程中，含有元素硼的化学基团与支架中的碳原子键合。然后，硼基团可以简单地被一系列具有医学效果的基团取代。
来自可靠来源和自动化实验室的数据
“尽管硼化反应具有巨大的潜力，但该反应在实验室中很难控制。这就是为什么我们对全球文献进行全面检索后只找到了1,700多篇有关该主题的科学论文，”Atz在描述他的工作起点时说道。
这个想法是利用科学文献中描述的反应并用它们来训练人工智能模型，然后研究团队可以使用该模型来考虑新分子并识别其中尽可能多的可行硼酸化的位点。
然而，研究人员最终只向他们的模型提供了他们发现的文献的一小部分。为了确保粗心研究带来的错误结果不会误导模型，该团队将自己的论文限制为38篇特别值得信赖的论文。这些描述了总共1,380个硼化反应。
为了扩展训练数据集，该团队通过对罗氏药物化学研究部门运营的自动化实验室中进行的1,000个反应进行评估来补充文献结果。这使得许多化学反应可以在毫克级进行并同时进行分析。
“将实验室自动化与人工智能相结合具有巨大的潜力，可以大大提高化学合成的效率，同时提高可持续性，”与Atz一起完成该项目的罗氏博士生DavidNippa说。
高预测能力，尤其是3D数据
使用六种已知药物分子验证了从该数据池生成的模型的预测能力。在六分之五的情况下，实验室的实验测试证实了预测的额外地点。在识别支架上不可能激活的位点时，该模型同样可靠。更重要的是，它确定了活化反应的最佳条件。
有趣的是，当包含起始材料的3D信息而不仅仅是其二维化学式时，预测会变得更好。“该模型似乎发展了一种三维化学理解，”阿兹说。
预测的成功率也给罗氏制药研究和早期开发的研究人员留下了深刻的印象。与此同时，他们已经成功地使用该方法来识别现有药物中可以引入额外活性基团的位点。这有助于他们更快地开发已知活性药物成分的新的、更有效的变体。
着眼于其他激活和功能化
Atz和Schneider看到了人工智能模型的许多其他可能的应用，这些应用基于来自值得信赖的文献和自动化实验室进行的实验的数据的组合。
例如，这种基于人工智能的方法应该能够为硼化反应以外的激活反应创建有效的模型。该团队还希望确定更广泛的反应，以进一步功能化硼化位点。
Atz现在作为罗氏药物化学研究的人工智能科学家参与这项进一步的开发工作：“在学术人工智能研究和实验室自动化的界面上工作是非常令人兴奋的。很高兴能够用最好的内容和方法推动这一进程。”
施耐德补充道：“这个创新项目是学术界和工业界合作的另一个杰出例子，展示了瑞士公私合作伙伴关系的巨大潜力。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！