Identifiez automatiquement les meilleures molécules et réduisez les coûts de synthèse. Le MIT développe un cadre d'algorithme de prise de décision en matière de conception moléculaire.

Éditeur | Ziluo

L'utilisation de l'IA pour rationaliser la découverte de médicaments explose. Ciblez des milliards de molécules candidates pour détecter celles qui pourraient posséder les propriétés nécessaires au développement de nouveaux médicaments. Il y a tellement de variables à prendre en compte, depuis le prix des matériaux jusqu’au risque d’erreur, qu’évaluer les coûts de synthèse des meilleures molécules candidates n’est pas une tâche facile, même si les scientifiques utilisent l’IA.

Ici, les chercheurs du MIT ont développé SPARROW, un cadre d'algorithme de décision quantitatif, pour identifier automatiquement les meilleurs candidats moléculaires, minimisant ainsi les coûts de synthèse tout en maximisant la probabilité que le candidat possède les propriétés souhaitées. L’algorithme a également déterminé les matériaux et les étapes expérimentales nécessaires à la synthèse de ces molécules.

SPARROW prend en compte le coût de synthèse d'un lot de molécules à la fois, puisque plusieurs molécules candidates peuvent souvent être dérivées de certains des mêmes composés. De plus, cette approche unifiée permet d'accéder à des informations critiques pour la conception moléculaire, la prédiction des propriétés et la planification de la synthèse à partir de référentiels en ligne et d'outils d'IA largement utilisés.

En plus d'aider les sociétés pharmaceutiques à découvrir plus efficacement de nouveaux médicaments, SPARROW peut également être utilisé pour inventer de nouveaux produits chimiques agricoles ou découvrir des matériaux spécialisés pour l'électronique organique.

Une recherche pertinente intitulée « Un cadre algorithmique pour une prise de décision synthétique tenant compte des coûts dans la conception moléculaire » a été publiée sur « Nature Computational Science » le 19 juin.

Lien papier : https://www.nature.com/articles/s43588-024-00639-y

"La sélection de composés est un art, et parfois c'est un art très réussi. Mais étant donné que nous disposons de tous ces modèles et outils de prédiction qui fournissent des informations sur la façon dont les molécules pourraient se comporter et être synthétisées, nous devrions utiliser ces informations pour guider les décisions que nous prenons », a déclaré Connor, auteur correspondant de l'article et professeur adjoint au Département de » a déclaré Coley.

Cadre d'algorithme de prise de décision quantitative SPARROW

"Synthesis Planning And Rewards-based Route Optimization Workflow, SPARROW" est un cadre de prise de décision algorithmique utilisé pour piloter le cycle de conception.

Illustration : Aperçu de SPARROW et de son rôle dans le cycle de conception moléculaire. (Source : article)

Cette recherche s'appuie sur des formulations de problèmes antérieures pour la sélection simultanée de voies de synthèse pour plusieurs molécules et l'intégration de la conception de produits et de systèmes de processus. Contrairement aux méthodes de criblage traditionnelles, SPARROW utilise un critère d'optimisation multi-objectifs qui équilibre le coût et l'utilité pour prioriser les molécules et leurs voies de synthèse putatives à partir d'une bibliothèque de molécules candidates.

SPARROW génère un réseau réactionnel composé de molécules cibles candidates et de voies de synthèse. En résolvant des problèmes d'optimisation basés sur des graphiques, un ensemble de molécules et de voies de synthèse peuvent être criblés pour équilibrer de manière optimale le coût et l'utilité cumulés de la synthèse. Dans ce contexte, l’utilité mesure la valeur de l’évaluation d’une propriété moléculaire.

Les mesures d'utilité appropriées varient selon les différentes étapes de l'application et de la conception. Cela peut inclure des prédictions de propriétés moléculaires, des incertitudes dans ces prédictions ou le potentiel de nouveaux points de données pour améliorer les relations structure-propriété. Une bibliothèque de candidats doit être fournie à SPARROW avec une récompense correspondante indiquant l'utilité associée à chaque molécule candidate.

Illustration : Énoncé du problème de SPARROW. (Source : Article)

La récompense pour le choix d'une molécule dépend également du succès des étapes de réaction choisies pour synthétiser cette molécule. Si une étape de réaction dans la voie de synthèse d’une molécule candidate échoue, aucune information n’est obtenue. Les chercheurs ont formalisé cela en maximisant la récompense attendue de la sélection d’une molécule candidate, qui peut être exprimée comme sa récompense multipliée par la probabilité de réussir la synthèse de la molécule.

En équilibrant le coût et l'utilité, l'objectif de SPARROW peut être formalisé comme la récompense attendue de tous les objectifs sélectionnés divisée par le coût de synthèse de tous les objectifs sélectionnés en utilisant l'itinéraire sélectionné.

Considérations de coûts complexes

Dans un sens, la question de savoir si les scientifiques doivent synthétiser et tester une certaine molécule se résume à une question de coût de synthèse par rapport à la valeur de l'expérience. Cependant, déterminer le coût ou la valeur est un problème difficile en soi.

SPARROW relève ce défi en prenant en compte les composés intermédiaires partagés impliqués dans la synthèse d'une molécule et en incorporant ces informations dans sa fonction coût/valeur.

"Lorsque vous réfléchissez au problème d'optimisation de la conception d'un lot de molécules, le coût de l'ajout de nouvelles structures dépend des molécules que vous avez déjà choisies", a déclaré Coley.

Le cadre prend également en compte des facteurs tels que le coût des matières premières, le nombre de réactions impliquées dans chaque voie de synthèse et la probabilité que ces réactions réussissent du premier coup.

Pour utiliser SPARROW, les scientifiques fournissent un ensemble de composés moléculaires qu'ils envisagent de tester, ainsi que des définitions des propriétés qu'ils espèrent trouver.

Ensuite, SPARROW collecte des informations sur les molécules et leurs voies de synthèse, puis compare la valeur de chaque molécule au coût de synthèse d'un lot de candidats. Il sélectionne automatiquement le meilleur sous-ensemble de candidats répondant aux critères des utilisateurs et trouve les voies de synthèse les plus rentables pour ces composés.

Jenna Fromer, la première auteure de l'article, a déclaré : "Il effectue toutes ces optimisations en une seule étape, afin de pouvoir capturer tous ces objectifs concurrents en même temps."

Cadre multifonctionnel

SPARROW est. unique en ce sens qu'il peut être intégré à des structures moléculaires conçues par des humains, existant dans des catalogues virtuels, ou à des structures moléculaires inédites créées par des modèles d'IA génératifs.

"Nous avons une variété de sources d'idées différentes. Une partie de l'attrait de SPARROW est que vous pouvez mettre toutes ces idées sur un pied d'égalité", a ajouté Coley.

Les chercheurs démontrent la capacité de SPARROW à orchestrer des cycles de conception moléculaire à travers trois études de cas. Ces applications illustrent comment SPARROW (1) équilibre avec succès le gain d'informations et les coûts de synthèse, (2) capture la non-additivité des coûts de synthèse pour un lot de molécules et (3) s'adapte à des bibliothèques candidates contenant des centaines de molécules.

Illustration : Démonstration de la capacité de SPARROW à équilibrer les coûts et les récompenses à travers une bibliothèque de 14 candidats inhibiteurs de l'ASCT2. (Source : article)

Ils ont découvert que SPARROW capturait efficacement le coût marginal de la synthèse par lots et identifiait les étapes expérimentales communes et les produits chimiques intermédiaires. En outre, il peut être étendu pour gérer des centaines de candidats moléculaires potentiels.

「Dans la communauté de l'apprentissage automatique chimique, il existe de nombreux modèles qui fonctionnent bien pour la rétrosynthèse ou la prédiction des propriétés moléculaires, mais comment les utilisons-nous réellement ? Notre cadre vise à exploiter la valeur de ces études préliminaires, nous l'espérons. pour guider d'autres chercheurs dans leur réflexion sur le dépistage des composés en utilisant leurs propres fonctions de coût et d'utilité", a déclaré Fromer.

À l'avenir, les chercheurs espèrent intégrer plus de complexité dans SPARROW. Par exemple, ils espèrent permettre aux algorithmes de prendre en compte le fait que la valeur du test d’un composé n’est pas toujours constante. Ils souhaitent également inclure des éléments chimiques plus parallèles dans leurs fonctions coût/valeur.

Contenu de référence : https://news.mit.edu/2024/smarter-way-streamline-drug-discovery-0617

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!