Labor beitreten ATOM zu verwandeln drug discovery mit AI

Labor beitreten ATOM zu verwandeln drug discovery mit AI

Nach Angaben des National Cancer Institute, rund 38 Prozent der Männer und Frauen Krebs diagnostiziert, an einem gewissen Punkt in Ihrem Leben. Der aktuelle Prozess in der Medikamentenentwicklung ist langsam und sequentiell, und oft mit hohen Ausfallraten für Wirkstoffkandidaten. Kann die künstliche Intelligenz (KI) verwendet werden, um die Transformation der bestehenden drug-discovery-Prozess in eine schnelle, integrierte und Patienten-zentrierte Modell? Wissenschaftler des US Department of Energy ‚ s (DOE) Argonne National Laboratory, denke auch so.

Zu Hilfe-Laufwerk ein verbessertes Patienten-Outcome, Argonne hat vor kurzem angekündigt, Ihr Engagement zu dem geworden, das neueste Mitglied der Beschleunigung Therapeutika für Möglichkeiten in der Medizin (ATOM) consortium, eine öffentlich-private Partnerschaft zwischen der nationalen Laboratorien, akademischen Institutionen und der Privatwirtschaft—einschließlich der life-science-Unternehmen.

ATOM ist der Aufbau einer preclinical drug discovery-Plattform, die künstliche Intelligenz verwendet, ergänzt durch selektive Experimente zu entwerfen und zu identifizieren Wirkstoffkandidaten könnten, effektiver und sicherer zu behandeln Krebs. Durch die Kombination von high-performance-computing mit fortschrittlichen machine learning-algorithmen, die Forscher haben das Potenzial, schnell zu erstellen und Vorhersagen zu treffen, die auf möglicherweise Milliarden von Wirkstoff-Kandidaten, die erheblich reduziert die Zeit und Kosten für die Herstellung und das testen im Labor.

„Die Idee ist, zu verwandeln, drug discovery, in einem großen Weg“, sagte Argonne Associate Laboratory Director Rick Stevens, führen wird, die die Labor engagement mit ATOM. „Die aktuellen Pharma-pipeline hat mehrere Stufen und kann ein Jahrzehnt oder mehr, und Milliarden von Dollar, um ein neues Medikament vom Konzept bis zur Marktreife. Wir versuchen zu reduzieren, die erheblich.“

Forscher betrachten mehrere Faktoren, wenn es um die Bewertung, ob ein Kandidat erfolgreich sein wird. Sie müssen Vorhersagen, wie wirksam das Medikament sein wird, im Kampf gegen die Krebszellen, zu verstehen, wie die Droge das Verhalten in den menschlichen Körper, und untersuchen das Medikament für die Berechnung der potenziellen Toxizität. Weiter, müssen die Wissenschaftler wissen, ob Sie in der Lage, zu synthetisieren und die Herstellung der Droge.

Entscheidend zu beschleunigen dieser Prozess, Wissenschaftler am Argonne entwerfen machine-learning-algorithmen zu berücksichtigen, jede dieser überlegungen. Für synthesizability, Forscher Zug der Algorithmus mit tausenden von Wirkstoff-Kandidaten, die bereits im Labor. Jeder neue Kandidat entwickelt, rechnerisch ist im Vergleich zu der Bibliothek des vorhandenen Potenzials von Drogen und zugewiesen synthesizability Partitur.

Diese Ergebnisse geben eine Allgemeine Vorstellung von der Fähigkeit eines potenziellen Wirkstoffkandidaten synthetisiert werden, aber Sie spiegeln auch eine gewisse Unsicherheit. Ein großer Vorteil ist die Kombination von machine learning mit Labor-Experimenten beinhaltet die Fähigkeit der Forscherinnen und Forscher verwenden experimentelle Ergebnisse weiter zu erziehen und trainieren Sie die in-silico – Modelle.

„Argonne-Wissenschaftler spielen eine wichtige Rolle in unseren Bemühungen, erstellen und optimieren von machine-learning-Modelle für die molekulare design sowie die Wirksamkeit und die Sicherheit voraussagen,“ sagte Jim Brase, ATOM-oder co-lead und Leiter Technik und stellvertretender associate director für die Berechnung des Lawrence Livermore National Laboratory.

Zur Vorhersage und Optimierung von drug-Kandidaten‘, die Wirksamkeit, die Wissenschaftler von Argonne trainieren verschiedener machine-learning-algorithmen mit gen-expression-Daten und Modell die Interaktion der Droge mit Krebszellen auf molekularer Ebene. „Denn Sie kennen die molekulare Struktur des Medikaments und Sie können sehen, welche Gene angeschaltet sind und Sie in eine Zelle, können Sie Modell die Wechselwirkungen und die Vorhersage der wahrscheinlichen Reaktion oder nicht-Reaktion der Krebs auf die Medizin“, sagte Argonne Computational Wissenschaftler Thomas Brettin.

Als Forscher betrachten die Wechselwirkungen zwischen medikamentenkandidaten und Krebs Zellen, Sie müssen auch im Blick auf Wechselwirkungen zwischen medikamentenkandidaten und gesundes Gewebe. Für diese algorithmen, Forscher Eingabe bestimmter Faktoren über den Patienten als ganzes—wie Alter, medizinische Vorgeschichte, oder bemerkenswerten gen—Mutationen-in den Algorithmus zum Vorhersagen von möglichen Nebenwirkungen.

„Wir wollen minimieren Fällen, in denen eine person mit einer genetischen mutation, die bewirkt, dass das codierte Enzym an die Arbeit weniger effizient Erfahrungen eine unerwünschte Ansammlung der Droge im Körper,“ Brettin sagte.

Die Schwierigkeit des Verstehens Toxizität wird verstärkt durch die Notwendigkeit, um zu bestimmen, wie der Körper metabolisiert eines potentiellen Medikamentes und ob es stabil geliefert, um die tumor-Zellen, einer Disziplin, bekannt als Pharmakokinetik.

Erfolgreich bewerten das Potenzial neuer Drogen in dieser Art und Weise wird verlangen Argonne twin Beiträge—sowohl die raw power von high-performance-computing sowie anspruchsvolle machine-learning-algorithmen zu finden, die Nadeln im Heuhaufen von Daten.

„In der pharmazeutischen Industrie, die Menschen beginnen zu erkennen, dass AI die Fähigkeit hat, die Dinge zu beschleunigen deutlich,“ Brettin sagte. „Verschiedene Organisationen bringen kann, verschiedene Sachen auf den Tisch—in unserem Fall advanced computing und machine-learning-know-how.“

„Wir sind aufgeregt bei der Aussicht auf die Zusammenarbeit mit Argonne National Laboratory. Ihre expertise im machine-learning zusammen mit Ihren high-performance-computing-Infrastrukturen werden wertvolle Ressourcen für unsere R&D Ziele“, sagte Barry Selick, ATOM Verwaltungsrat Mitglied und Vize-Kanzler, business development, innovation und Partnerschaften an der UCSF.