Учёные разработали модель машинного обучения, помогающую ускорить разработку лекарств

---

Читайте также:
Собственнику выдано уже третье предписание об устранении нарушений, но ситуация на опасном замусоренном участке на Зелёной, 26 в Великом Новгороде не меняется месяцами (17.11.2024).

---

Учёные из Британии и Швейцарии разработали модель машинного обучения, которая может частично воспроизводить коллективные знания профессиональных химиков. Они назвали эту модель "химической интуицией". Исследование было опубликовано 1 ноября в журнале "Nature Communications". Оно может повысить эффективность будущего развития лекарств.

Процесс разработки новых лекарств подразумевает множество проб и ошибок, а также аккумулированных знаний работников. Использование инструментов моделирования, в частности машинного обучения, позволяет исследователям быстрее определять кандидатов для дальнейших экспериментов. Это существенно снижает затраты на создание новых лекарственных соединений.

Для успешного использования машинного обучения в прогнозировании свойств молекул необходимо математически представить сами молекулы в виде набора характеристик, так называемых "функций". Правильное определение этих характеристик считается ключевым аспектом успешной работы моделей, основанных на данных.

Доктор Николаус Штифль из Центра научного интеллекта в британском исследовательском институте Майкрософт в Кембридже и Хосе Хименес-Луна из Института медицинских исследований Новартис в Швейцарии сотрудничали с 35 медицинскими химиками, каждый из которых выбрал наиболее предпочтительные молекулы из 5000 пар. Затем их результаты использовали для обучения модели машинного обучения, позволяющей оценивать молекулы. Что важно, эти оценки практически не зависят от других свойств, широко применяемых в этой области на протяжении многих лет.

Учёные считают, что данная модель также может способствовать корректировке рекомендаций математических моделей с целью лучшего соответствия коллективным профессиональным знаниям химиков. Это позволит сократить время, затрачиваемое на итерации в ранних этапах разработки лекарств, и будет потенциально полезным дополнением в области моделирования молекул в будущих исследованиях в фармацевтике.