ДалееСледующее руководство
Идентификация целей ИИ при открытии лекарств
Отрасли
РУКОВОДСТВО ПО Отраслям
ИИ в открытии лекарств
Методы искусственного интеллекта могут поддерживать несколько этапов исследования лекарств, включая предсказание структуры белка, предсказание молекулярных свойств, виртуальный скрининг и генерацию молекул.
Прослушайте это руководствоОзвучено ИИ · ~2 min
На этой странице2 минуты чтения
Обзор
Результатом модели является исследовательская гипотеза или сигнал расстановки приоритетов, а не свидетельство клинической безопасности или эффективности.
Глубокое погружение
AlphaFold предсказывает структуры белков, а AlphaFold 3 расширяет возможности предсказания структуры биомолекулярных комплексов, включающих белки, нуклеиновые кислоты, небольшие молекулы и другие компоненты. MoleculeNet описывает задачи машинного обучения с помощью молекулярных представлений, включая графики и SMILES. Глубокая стыковка иллюстрирует один из подходов виртуального скрининга, который использует прогнозы для уменьшения количества соединений, требующих дорогостоящих вычислений стыковки. DeepTox и более поздние исследования молекулярной генерации направлены на прогнозирование токсичности и создание кандидатов; эти методы не устанавливают безопасность, эффективность или клинический успех соединения. FDA описывает доклинические испытания и процесс IND перед клиническими исследованиями на людях.
Реальная реализация
Использование AlphaFold для прогнозирования белковых структур, как сообщается в его бумажной и ресурсной базе данных.
Использование AlphaFold 3 для прогнозирования структур и взаимодействий между белками, нуклеиновыми кислотами, небольшими молекулами и другими биомолекулами.
Представление молекул в виде графиков или строк SMILES в тестах молекулярного обучения.
Использование виртуального скрининга для определения приоритетности соединений для экспериментальных испытаний, при этом прогнозы считаются неопределенными.
Будущее искусственного интеллекта в открытии лекарств
Оценивать методы скрининга и получения перспективных, целевых данных и сообщать о показателях экспериментального подтверждения. Соблюдать нормативные требования к доклиническим и человеческим исследованиям; отстраняйте кандидатов только после получения доказательств, соответствующих задаче, а не рассматривайте оценки модели как окончательные решения.
Применение на практике
Почему это важно
- Контекст и правила. Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью.
- Контроль качества. Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора.
- Выбор сборки. Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае.
Следите за
- Нормативные требования могут сделать недействительными сильные прототипы.
- Исторические данные могут отражать предвзятость, которая наносит вред конкретным сообществам.
- Устаревшие системы могут создавать узкие места в интеграции и скрытые затраты.
Следующие шаги
- Привлекайте экспертов в предметной области от постановки проблемы до оценки.
- Разработайте журналы аудита и документацию перед запуском.
- Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности.
- Развертывание поэтапно с четкими критериями остановки и отката.
Продолжайте исследовать
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the AI in Drug Discovery quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
Что такое ИИ в открытии лекарств?
Методы искусственного интеллекта могут поддерживать несколько этапов исследования лекарств, включая предсказание структуры белка, предсказание молекулярных свойств, виртуальный скрининг и генерацию молекул. Результатом модели является исследовательская гипотеза или сигнал расстановки приоритетов, а не свидетельство клинической безопасности или эффективности.
Какие достижения AlphaFold компании DeepMind способствовали открытию лекарств?
AlphaFold использовала глубокое обучение для прогнозирования трехмерных структур белков в больших масштабах, предоставляя исследователям структурные чертежи, на которые раньше уходили годы экспериментов.
Как молекулы обычно представляются в моделях машинного обучения?
Молекулы естественным образом представляют собой графы (атомы = узлы, связи = ребра), обрабатываемые нейронными сетями графов или закодированные как строки SMILES для моделей последовательностей.
Что такое «виртуальный скрининг» при открытии лекарств с использованием ИИ?
Виртуальный скрининг использует модели для оценки огромных библиотек молекул in silico, поэтому в лаборатории создаются и тестируются только лучшие кандидаты.
Что может дать прогноз ADME или токсичности во время ранней оценки кандидата?
Вычислительные прогнозы ADME/токсичности могут определить приоритетность соединений для последующего наблюдения; они являются результатами модели и не устанавливают безопасность и не заменяют экспериментальные испытания.
Какие методы генеративного искусственного интеллекта используются для создания новых молекул?
Генеративные модели, такие как VAE и диффузионные модели, отбирают новые структуры из изученного химического пространства, оптимизируя желаемые свойства.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме