ジェネレーティブセラピューティクスデザイン

バイオ医薬品向けのAIベースのアイデアエンジン

患者に新しい治療法をもたらすことは難しく、費用と時間がかかります。薬を開発して市場に出すための平均コストは約30億ドルで、12〜14年かかる場合があります。全体のコストの約3分の1を消費する創薬フェーズでは、単一の前臨床リード候補を開発するために、数千の分子の合成と最大5年が必要です。さらに、フェーズI試験に参加した化合物の10％のみが実際に承認を受けています。人工知能（AI）は、発見フェーズをスピードアップし、発見コストを大幅に削減する可能性があると信じています。追加の利点として、AIは、科学者がより高品質の化合物を診療所に送り、失敗率を減らすのに役立ちます。分子科学と機械学習の最近の進歩は、強力なクラウドコンピューティングプラットフォームの可用性と相まって、この可能性を現実のものにしています。

BIOVIA Generative Therapeutics Design（GTD）は、新規の小分子の仮想作成、テスト、および選択を自動化することにより、リード候補の設計を改善および加速します。クラウドベースのソリューションは、高度なAI /機械学習技術を採用して、科学者が次に作成する分子を決定するのに役立ち、創薬プロセスを導き、研究開発の成果を最適化するのに役立ちます。

アクティブラーニング

アクティブラーニングは、計算（「仮想」）と実験（「実際」）を組み合わせた機械学習の専門分野であり、科学者は可能な限り最も効率的な方法で最適な答えを見つけることができます。例として小分子鉛の発見を使用して、創薬チームは、少量のデータ、たとえば、数十の化合物のアッセイ結果から構築された初期モデルから始めます。次に、このモデルを使用して、モデルの範囲を改善できる新しい化合物を提案します。一連の新しい化合物を合成および分析すると、モデルを再トレーニングおよび改善するための新しいトレーニングデータが利用可能になります。この方法でモデルを繰り返し更新することは、最小限の反復を使用して設計を最適化するための確立されたアプローチであるため、全体的な検出タイムラインが短縮されます。モデルの範囲と品質が向上するにつれて、目的のターゲット製品プロファイル（TPP）を達成するために推奨される化合物はより多様になり、成功する可能性が高くなります。

ヒューマンインザループAI

Generative Therapeutics Designは、何千もの仮想分子を繰り返し生成し、最適な新規リード候補のための広大な化学設計スペースを探索します。リードの最適化は多目的最適化の課題であるため、システムは、薬物活性、溶解性、肝毒性、薬物の利用可能性、代謝安定性などの重要なターゲット特性を評価し、バランスを取ります。また、合成の容易さ、開発可能性、特許性などのIPの考慮事項も評価します。

ベンチ化学者は、このプロセスに関する専門家の洞察を提供し、機械の予測を補完し、その後の設計の反復に影響を与えることができます。この「ヒューマン・イン・ザ・ループ」の概念には、「拡張インテリジェンス」という用語を使用します。ヒューマンインテリジェンスはマシンインテリジェンスと連携して、より速くより正確な結果を導き出します。

Lab-in-the-Loop AI

もちろん、科学者はラボで有望な構造を検証する必要もあります。この「Lab-in-the-loop人工知能」は、偏りのない機械学習手法の利点と、実際の実験および科学専門家の知識と経験を組み合わせたものです。

設計プロセスの一環として、システムはサードパーティベンダーまたは合成会社から購入できる試薬を考慮に入れることができるため、組織は社内ラボでの作業やアウトソーシングの際の所要時間やコストを最小限に抑えることができます。委託研究機関。

進行中の複合テストは、予測モデルを改善するための追加のトレーニングデータを提供します。この重要なアクティブラーニングプロセスは、実際のテストと組み合わせて、モデルの範囲を拡大し、後続の反復で新しい領域を探索できるようにします。このプロセスは、医薬品化学者がTPPを満たす化合物を見つけるまで続きます。

モデリングとシミュレーション

モデリングとシミュレーションは、自動化された機械学習手法を補完することができます。計算化学者は、第一原理から複雑なシステムをモデル化し、ベンチ実験によって得られた場合、はるかに長い時間とはるかに多くの費用がかかる洞察を得ることができます。たとえば、ファーマコフォアスコアリング、分子ドッキング、自由エネルギー摂動法（FEP）などの方法は、提案された薬物分子が疾患に関与するタンパク質と相互作用するかどうか、またどのように相互作用するかを科学者が3次元で予測するのに役立ちます。科学者はこれらのメソッドを自動化し、ジェネレーティブデザインプロセスの一部として実行できるようになります。

ケーススタディ

BIOVIA Generative Therapeutics Designを使用して、米国の大手製薬会社は、プロジェクト化合物の初期セットから一連の高品質の機械学習モデルを構築することができました。これらのモデルに基づいて、システムは次の合成とテストのために一連の化合物を提案しました。このシステムは、プロジェクトの化合物から、非定型でありながら特定の治療標的にとって価値があると見なされている構造モチーフについてすばやく「学習」しました。医薬品化学者は、これらの化合物の周囲のより狭い化学空間を利用するために、出発化合物のどの部分を一定に保つ必要があるかを指定することもできます。これにより、使い慣れた合成ルートと改善されたTPPを備えた新しい仮想化合物のセットが提案されました。

最終的に、医薬品化学者は、システムによって提案された化合物の約80％が予測された特性プロファイルを満たし、1つの化合物が完全なターゲット製品プロファイルを満たしていることを発見しました。 化学者のフィードバックは、提案された化合物の大部分は、すでに検討中の化合物と構造的に類似しているため、有望であるというものでした。さらに興味深いことに、提案された化合物のサブセットは構造的に新規であり、従来の方法では考慮されなかった化合物でした。ここで、Generative Therapeutics Designは、これらの化学者によって通常研究されるドメイン外の化合物を提案する上で真の価値を示します。

3つのポイント

ジェネレーティブセラピューティクスデザインは、効果的なアイデアのエンジンになる可能性があります e製薬、バイオテクノロジー、さらには農薬セクターのベンチ化学者向け。このシステムは、科学者に次に何を合成するかについての新しいアイデアを提供し、彼らが通常見ている場所を超えて調査するのに役立ちます。それは彼らの直感を育み、彼らがさまざまな方法で化合物について考えるのを助けます。
ジェネレーティブセラピューティクスデザインは、リード候補の開発を加速する —分子の品質を改善し、実験コストを削減し、発見のタイムラインを短縮します。このシステムは、最も有望な候補者のみを臨床試験に進めることを支援することで、医薬品開発やその他のプログラムで数百万ドルの研究費を節約できる可能性があります。
AI /機械学習と連携する化学者は最高の結果をもたらします。 Generative Therapeutics Designにより、科学者とAIアルゴリズムは互いに補完し合います。科学者は、アルゴリズムを適切に操作し、独自の設計を考え出し、直感を最大限に活用して、可能な限り最高の結果を得ることができます。

最後の一言

ジェネレーティブデザインツールは、大規模なビジネスワークフローの一部として使用する場合に特に強力です。 BIOVIAは、実験ラボでのリクエスト管理、仮想化合物と実化合物の登録、テスト結果、機械学習モデルの自動再学習など、仮想データと実数（V + R）データを共同で組み合わせるためのツールを追加しています。このようにして、顧客は画期的な新しい科学を確立されたワークフローとビジネスプロセスに組み込むことができます。