Scienziati dello Skoltech Center for Computational and Data-Intensive Science and Engineering (CDISE) e Helmholtz Munich Center for Environmental Health (HMGU, Germania) hanno creato una rete neurale per visualizzare lo spazio chimico dei composti che possono essere di potenziale valore per l'industria farmaceutica. Il nuovo metodo aiuterà a creare nuovi composti chimici e a navigare nello spazio dei prodotti chimici esistenti. I risultati dello studio sono stati pubblicati su RSC Advances.
I chimici devono spesso faticare attraverso enormi database contenenti decine o addirittura centinaia di migliaia di strutture chimiche per selezionare i migliori candidati. Fare così, hanno bisogno di sapere quali classi di composti contiene il database. Però, passare attraverso migliaia di molecole è un compito laborioso, che sarebbe molto più facile se le molecole fossero raffigurate come punti e poste su un piano o nello spazio, con molecole simili ammassate insieme. Ciò consentirebbe di studiare lo spazio chimico utilizzando uno strumento semplice più o meno allo stesso modo in cui il geografo utilizza mappe digitali di diverse scale per visualizzare un'immagine più grande o ingrandire un'area particolare. Ma ecco il problema:come fa l'algoritmo a sapere dove posizionare le molecole se lo strumento non conosce la chimica?
Un gruppo congiunto di ricercatori del CDISE (Dmitry Karlov, Sergey Sosnin e Maxim Fedorov) e HMGU (Igor Tetko) hanno applicato metodi di intelligenza artificiale per estrarre informazioni direttamente dai dati, e accoppiato la rete neurale profonda con il popolare metodo di riduzione della dimensione t-SNE per creare una rete neurale in grado di generare una vista 2D del composto su un piano basata sulla struttura multidimensionale del composto ricevuta come input. Il nuovo metodo pone molecole con proprietà simili vicine l'una all'altra, in modo che i composti possano essere raggruppati in classi in base alle loro proprietà. Gli autori dello studio hanno addestrato la loro rete neurale su milioni di composti con attività biologica nota.
"Abbiamo adattato il metodo t-SNE per consentire la visualizzazione dello spazio chimico dei composti con potenziale farmaceutico addestrando la rete neurale profonda e selezionando semplici descrittori e una metrica per calcolare le distanze in uno spazio multidimensionale. Abbiamo anche dimostrato che questo approccio consente di salvare più informazioni rispetto ad altri metodi di riduzione delle dimensioni, pur essendo alla pari con PCA in termini di velocità, " dice il ricercatore Skoltech e il primo autore dello studio Dmitry Karlov.
Nel futuro, gli scienziati hanno in programma di sviluppare una serie di strumenti per chimici e farmacisti per visualizzare la disposizione di nuovi, composti inesplorati rispetto a quelli già studiati e descritti in letteratura. Ciò accelererà la fase di ricerca e sviluppo nella ricerca di nuovi farmaci.
