Universiti Peking & Perisikan Wangshi mencadangkan model baharu: merapatkan jurang antara pra-latihan tindak balas kimia dan penjanaan molekul bersyarat!

Tindak balas kimia adalah asas reka bentuk ubat dan penyelidikan kimia organik. Terdapat keperluan yang semakin meningkat dalam kalangan komuniti penyelidikan untuk rangka kerja pembelajaran mendalam berskala besar yang boleh menangkap peraturan asas tindak balas kimia dengan berkesan.

Baru-baru ini, pasukan penyelidik dari Universiti Peking dan Wangshi Intelligence mencadangkan kaedah baharu untuk merapatkan jurang antara tugas pra-latihan dan penjanaan molekul berasaskan tindak balas.

Diinspirasikan oleh mekanisme kimia organik, penyelidik telah membangunkan rangka kerja pra-latihan baharu yang membolehkannya menggabungkan bias induktif ke dalam model. Rangka kerja yang dicadangkan ini mencapai hasil terkini apabila melaksanakan tugas hiliran yang mencabar. Dengan memanfaatkan pengetahuan tentang kimia, rangka kerja itu mengatasi batasan model penjanaan molekul semasa yang bergantung pada sebilangan kecil templat tindak balas. Merentasi eksperimen yang meluas, model tersebut menghasilkan struktur seperti ubat yang berkualiti tinggi dan boleh disintesis

Secara keseluruhannya, penyelidikan ini merupakan langkah penting ke arah rangka kerja pembelajaran mendalam berskala besar untuk pelbagai aplikasi berasaskan tindak balas.

Kajian itu bertajuk "Merapatkan jurang antara pralatihan tindak balas kimia dan penjanaan molekul bersyarat dengan model bersatu" dan telah diterbitkan dalam "Nature Machine Intelligence" pada 5 Disember 2023.

Pautan kertas: https://www.nature.com/articles/s42256-023-00764-9

Model pembelajaran mendalam telah digunakan secara meluas dalam banyak bidang penyelidikan saintifik. Rangka kerja pra-latihan memainkan peranan positif dalam penyepaduan tugas baharu yang lancar dan boleh mempercepatkan proses pemodelan, terutamanya apabila data berlabel adalah terhad

Asas reka bentuk ubat dan penyelidikan kimia organik ialah tindak balas kimia. Pada masa ini, penyelidikan dan aplikasi perlombongan data telah membolehkan model pembelajaran mendalam digunakan dalam tindak balas kimia. Berdasarkan data ini, terdapat banyak kajian dipacu data yang menyelidiki pembelajaran perwakilan tindak balas kimia

Pembelajaran perwakilan merujuk kepada pembelajaran secara automatik ciri berguna daripada data dan kemudian menggunakannya untuk pelbagai tugas hiliran. Kaedah sedia ada mengabaikan teori asas kimia organik, mengehadkan prestasinya.

Penjanaan molekul berdasarkan tindak balas kimia

Selain tugas pengelasan tindak balas, penjanaan molekul berdasarkan tindak balas kimia juga merupakan aplikasi penting. Dalam kajian awal, strategi penjanaan molekul langkah demi langkah berasaskan templat sering digunakan

Kaedah berasaskan templat ini sangat bergantung pada blok binaan dan tindak balas yang telah ditetapkan, yang menyempitkan ruang kimia yang boleh diakses. Trend yang sama ditemui dalam bidang ramalan produk tindak balas, di mana kaedah berasaskan templat tidak boleh diekstrapolasi kepada tindak balas yang kompleks masalah ini boleh diselesaikan dengan menggunakan kaedah bebas templat.

Dalam tugas penjanaan molekul berasaskan tindak balas, kaedah bebas templat juga menunjukkan kelebihan generalisasi berbanding kaedah berasaskan templat. Walau bagaimanapun, kaedah penjanaan molekul bebas templat sedia ada hanya boleh menjana molekul berdasarkan perpustakaan reaktan yang telah ditetapkan. Di samping itu, untuk sebatian plumbum atau peringkat pengoptimuman plumbum dalam reka bentuk ubat, adalah lebih berfaedah untuk menggunakan tindak balas kimia sebagai alat penyuntingan untuk mengubah suai struktur tertentu. Pustaka kimia yang terhasil akan menumpukan pada subset ruang kimia yang boleh disintesis dengan langkah tindak balas yang lebih sedikit.

Rangka kerja pembelajaran mendalam yang baharu dan komprehensif untuk tindak balas kimia

Di sini, penyelidik mencadangkan rangka kerja pembelajaran mendalam baharu yang komprehensif untuk tindak balas kimia, dipanggil Uni-RXN. Ia bertujuan untuk menyelesaikan dua tugas asas: pembelajaran perwakilan diselia sendiri dan pemodelan generatif bersyarat.

Rancangan: Komposisi dan kaedah Uni-RXN. (Petikan daripada: kertas)

Berbeza daripada kaedah sedia ada, para penyelidik mencadangkan satu set tugasan penyeliaan sendiri yang direka khusus untuk tindak balas kimia. Tugas-tugas ini termasuk ramalan pusat tindak balas, pasangan tindak balas primer dan subreaktan, dan pasangan hasil tindak balas. Dalam penilaian menyeluruh tentang tugas tindak balas yang mencabar, kaedah Uni-RXN mengatasi teknologi terkini, menunjukkan keupayaannya untuk menangkap pengetahuan domain tentang tindak balas kimia dengan berkesan. Keputusan yang memberangsangkan yang diperolehi membuka jalan untuk aplikasi hiliran yang meluas

Dengan menangkap peraturan kimia secara berkesan, Uni-RXN sangat sesuai untuk tugas penjanaan. Tidak seperti kaedah tradisional yang bergantung pada pemilihan serpihan daripada perpustakaan bahan tindak balas yang telah ditetapkan, Uni-RXN mengambil struktur molekul sebagai keadaan input dan menjana perwakilan bahan tindak balas yang sepadan sambil mengekalkan invarian pilih atur dalam tindak balas. Memanfaatkan kuasa pakej carian persamaan vektor padat, Uni-RXN membolehkan mendapatkan semula bahan tindak balas yang cekap daripada perpustakaan besar bahan tindak balas dan reagen. Selepas itu, model ramalan tindak balas digunakan untuk menjana output produk.

Berbanding kaedah berasaskan templat yang meneroka hanya subset terhad ruang kimia, Uni-RXN mempamerkan prestasi unggul dalam menjana rangkaian yang lebih luas struktur seperti ubat yang boleh disintesis. Ciri ini menjadikannya sangat sesuai untuk penghitungan perpustakaan maya, dan disokong oleh analisis statistik dan kajian kes yang komprehensif.

Kaedah Uni-RXN mempunyai banyak kelebihan dan boleh menjana perwakilan yang kaya untuk tugas pengelasan tindak balas kimia yang mencabar. Berbanding dengan model garis dasar lain, Uni-RXN mencapai ketepatan 58.7% dengan hanya 4 titik data bagi setiap kategori

Kandungan ditulis semula: Ketepatan pengelasan tindak balas kimia ditunjukkan dalam Jadual 1. (Sumber: Kertas)

Model pengubah boleh digunakan untuk membezakan antara data tindak balas kimia yang dioptimumkan dan tidak dioptimumkan. Di samping itu, pengekod juga boleh digunakan dengan mudah untuk penjanaan keadaan struktur

Kandungan yang perlu ditulis semula ialah: Carta menunjukkan prestasi perolehan semula dan berat perhatian Uni-RXN. (Sumber: Kertas)

Hasilnya menyerlahkan sifat menguntungkan molekul yang dihasilkan oleh model yang dicadangkan, yang menjadikannya sangat sesuai untuk tugas penemuan dadah. Model ini boleh menjana lebih banyak molekul dengan sifat seperti ubat dan kebolehsintesis

Ilustrasi: Proses dan prestasi Uni-RXNGen. (Sumber: kertas)

Digabungkan dengan kaedah saringan maya seperti dok molekul, model yang dijana ini boleh mencapai penyelidikan hubungan struktur-aktiviti yang cekap. Ruang kimia seperti dadah sintetik yang besar yang dijana oleh model ini boleh meningkatkan kadar positif sebenar penggunaan semula dadah atau carian molekul hit.

Atas ialah kandungan terperinci Universiti Peking & Perisikan Wangshi mencadangkan model baharu: merapatkan jurang antara pra-latihan tindak balas kimia dan penjanaan molekul bersyarat!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!