Il flusso di lavoro dell'algoritmo RL profondo per la generazione di nuove stringhe di composti SMILES con le proprietà desiderate. (A) Fase di addestramento dello Stack-RNN generativo. (B) Passaggio generatore dello Stack-RNN generativo. Durante l'allenamento, il token di input è un carattere nella stringa SMILES attualmente elaborata dal training set. Il modello restituisce il vettore di probabilità p ? (un T |s t − 1 ) del carattere successivo dato un prefisso. Il vettore dei parametri è ottimizzato dalla minimizzazione della funzione di perdita di entropia incrociata. Nel regime del generatore, il token di input è un carattere generato in precedenza. Prossimo, il carattere at viene campionato casualmente dalla distribuzione p ? (a| s t − 1 ). (C) Pipeline generale del sistema RL per la generazione di nuovi composti. (D) Schema del modello predittivo. Questo modello accetta una stringa SMILES come input e fornisce un numero reale, che è un valore stimato della proprietà, come uscita. I parametri del modello sono addestrati dalla minimizzazione della funzione di perdita l2-squared. Credito: Progressi scientifici (2018). DOI:10.1126/sciadv.aap7885
Un approccio di intelligenza artificiale creato presso l'Università della Carolina del Nord presso la Chapel Hill Eshelman School of Pharmacy può insegnare da solo a progettare nuove molecole di farmaci da zero e ha il potenziale per accelerare notevolmente la progettazione di nuovi farmaci candidati.
Il sistema si chiama Reinforcement Learning for Structural Evolution, noto come ReLeaSE, ed è un algoritmo e un programma per computer che comprende due reti neurali che possono essere pensate come un insegnante e uno studente. L'insegnante conosce la sintassi e le regole linguistiche alla base del vocabolario delle strutture chimiche per circa 1,7 milioni di molecole biologicamente attive conosciute. Lavorando con l'insegnante, lo studente impara nel tempo e diventa più bravo a proporre molecole che possono essere utili come nuovi farmaci.
Alessandro Tropsa, Olexandr Isayev e Mariya Popova, tutta la UNC Eshelman School of Pharmacy, sono i creatori di ReLeaSE. L'Università ha richiesto un brevetto per la tecnologia, e il team ha pubblicato uno studio proof-of-concept sulla rivista Progressi scientifici la settimana scorsa.
"Se confrontiamo questo processo con l'apprendimento di una lingua, poi dopo che lo studente impara l'alfabeto molecolare e le regole della lingua, possono creare nuove "parole, ' o molecole, " disse Tropsha. "Se la nuova molecola è realistica e ha l'effetto desiderato, l'insegnante approva. Altrimenti, l'insegnante disapprova, costringendo lo studente a evitare le molecole cattive e a crearne di buone."
ReLeaSE è una potente innovazione per lo screening virtuale, il metodo computazionale ampiamente utilizzato dall'industria farmaceutica per identificare possibili farmaci candidati. Lo screening virtuale consente agli scienziati di valutare grandi librerie chimiche esistenti, ma il metodo funziona solo per sostanze chimiche note. ReLeASE ha la capacità unica di creare e valutare nuove molecole.
"Uno scienziato che utilizza lo screening virtuale è come un cliente che ordina in un ristorante. Di solito ciò che può essere ordinato è limitato dal menu, " ha detto Isayev. "Vogliamo dare agli scienziati un negozio di alimentari e uno chef personale che possa creare qualsiasi piatto vogliano".
Il team ha utilizzato ReLeaSE per generare molecole con proprietà specificate, come bioattività e profili di sicurezza desiderati. Il team ha utilizzato il metodo ReLeaSE per progettare molecole con proprietà fisiche personalizzate, come il punto di fusione e la solubilità in acqua, e progettare nuovi composti con attività inibitoria contro un enzima associato alla leucemia.
"La capacità dell'algoritmo di progettare nuovi, e quindi immediatamente brevettabile, le entità chimiche con attività biologiche specifiche e profili di sicurezza ottimali dovrebbero essere molto attraenti per un'industria che è costantemente alla ricerca di nuovi approcci per ridurre il tempo necessario per portare un nuovo candidato farmaco alle sperimentazioni cliniche, " disse Tropsa.
