Architectures traditionnelles et par paires. Les modèles traditionnels d'apprentissage automatique moléculaire prennent en compte des entrées moléculaires singulières et prédisent les propriétés absolues des molécules. Les différences de propriétés prédites peuvent être calculées en soustrayant les valeurs prédites pour deux molécules. B Les modèles par paires s'entraînent sur les différences de propriétés de paires de molécules pour prédire directement les changements de propriétés des dérivatisations moléculaires. Les molécules C sont fusionnées pour créer des paires uniquement après des séparations de validation croisée afin d'éviter le risque de fuite de données lors de l'évaluation du modèle. Par conséquent, chaque molécule de l’ensemble de données ne peut apparaître que par paires dans les données d’entraînement ou de test, mais pas dans les deux. Crédit: Journal de Chemininformatique (2023). DOI : 10.1186/s13321-023-00769-x
Les ingénieurs biomédicaux de l'Université Duke ont développé une plateforme d'IA qui compare de manière autonome les molécules et apprend de leurs variations pour anticiper les différences de propriétés essentielles à la découverte de nouveaux produits pharmaceutiques. La plateforme fournit aux chercheurs un outil plus précis et plus efficace pour les aider à concevoir des produits thérapeutiques et d’autres produits chimiques dotés de propriétés utiles.
La recherche a été publiée le 27 octobre dans le Journal de Chemininformatique.
Les algorithmes d’apprentissage automatique sont de plus en plus utilisés pour étudier et prédire les propriétés biologiques, chimiques et physiques de petites molécules utilisées dans le développement de médicaments et d’autres tâches de conception de matériaux. Ces outils peuvent aider les chercheurs à comprendre les propriétés clés « ADMET » d’une molécule : comment elle est absorbée, distribuée, métabolisée, excrétée et sa toxicité dans l’organisme. En comprenant ces différentes propriétés, les chercheurs peuvent identifier des molécules pour développer de nouveaux traitements plus sûrs et plus efficaces.
Alors que les plates-formes d'apprentissage automatique existantes permettent aux chercheurs de cribler un nombre beaucoup plus grand de molécules qu'il ne serait possible de les fabriquer physiquement toutes en laboratoire, ils ne peuvent prédire les propriétés d'une molécule à la fois, ce qui limite leur efficacité globale lorsqu'ils sont chargés d'identifier la molécule. composé le plus optimal.
Bien qu’il existe quelques autres approches informatiques permettant de supprimer cette étape supplémentaire et de comparer directement les molécules, leur portée est limitée. Par exemple, des méthodes telles que la perturbation de l’énergie libre sont très précises mais si complexes en termes de calcul qu’elles ne peuvent évaluer qu’une poignée de molécules à la fois. En revanche, les approches telles que les paires moléculaires appariées sont beaucoup plus rapides mais ne peuvent comparer que des molécules très similaires, ce qui limite leur utilisation plus large.
Pour résoudre ce problème, Reker et Zachary Fralish, titulaire d'un doctorat. étudiant du laboratoire Reker, a développé DeepDelta, une approche d'apprentissage profond qui permet de comparer efficacement deux molécules simultanément et de prédire les différences de propriétés entre elles même si elles sont très différentes.
“En permettant au réseau d'apprendre à partir d'une comparaison individuelle, vous lui donnez plus de points de données que s'il apprenait d'une molécule à la fois”, a déclaré Reker. “La plateforme apprend la structure et les propriétés de chaque molécule individuellement, mais elle apprend également les différences entre les deux et comment ces différences influencent les propriétés de la molécule.”
L'équipe a testé la plate-forme DeepDelta par rapport à deux modèles de pointe dans le domaine : Random Forest, un modèle d'apprentissage automatique classique largement utilisé, et ChemProp, un réseau neuronal profond sur lequel DeepDelta est basé. Chaque système a comparé deux structures moléculaires connues et a prédit 10 propriétés ADMET différentes, notamment la manière dont les molécules sont éliminées des reins, leurs demi-vies respectives et leur capacité à être métabolisées par le foie.
DeepDelta s'est avéré nettement plus efficace et précis pour prédire et quantifier les différences de propriétés moléculaires entre les molécules que les plateformes existantes.
“La formation sur les différences moléculaires permet à cette méthode d'être plus précise pour décider si un nouveau produit chimique est meilleur ou pire qu'un produit actuel”, a déclaré Fralish. “C'est comme faire des devoirs qui ressemblent davantage à votre test. Nous avons également considérablement augmenté la taille de nos ensembles de données par couplage, donnant essentiellement plus de devoirs à nos modèles, ce qui aide vraiment les réseaux neuronaux gourmands en données à en apprendre davantage.”
L’équipe est désormais impatiente d’intégrer ce modèle dans ses travaux en concevant de nouvelles thérapies potentielles et en optimisant les candidats médicaments existants.
“Avec cet outil, nous pourrions examiner un médicament qui a presque réussi à obtenir l'approbation de la FDA, mais qui avait peut-être des problèmes de toxicité hépatique, donc il n'a pas vraiment réussi”, a déclaré Fralish. « DeepDelta pourrait aider à identifier des molécules possédant les mêmes bonnes propriétés, mais sans toxicité hépatique. Cet outil ouvre de nombreuses opportunités en nous aidant à décider quel produit chimique a les meilleures chances de faire ce que nous voulons dans le monde réel, économisant ainsi du temps et de l'argent. ”
Plus d'information:
Zachary Fralish et al, DeepDelta : prédire les améliorations ADMET des dérivés moléculaires grâce à l'apprentissage en profondeur, Journal de Chemininformatique (2023). DOI : 10.1186/s13321-023-00769-x
Fourni par l'Université Duke
Citation: Le modèle d'IA compare directement les propriétés de nouveaux médicaments potentiels (4 décembre 2023) récupéré le 4 décembre 2023 sur
Ce document est soumis au droit d'auteur. En dehors de toute utilisation équitable à des fins d'étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.
