Вчені розробили готову модель глибокого навчання для прогнозування фармацевтичних властивостей лікарських препаратів – MolMapNet. Розробка представлена в статті для журналу Nature Machine Intelligence.
Дослідники з університетів Сінгапуру та Китаю розробили MolMapNet, новий інструмент штучного інтелекту (AI). Він прогнозує фармацевтичні властивості ліків шляхом аналізу уявлень про молекули, заснованих на людських знаннях.
Хоча інструменти AI, як правило, корисні для розпізнавання просторово-упорядкованих зображень (наприклад, зображень об’єктів), вони не працюють так добре з невпорядкованими даними, такими як молекулярні властивості. Це погіршує їх ефективність при аналізі фармацевтичних препаратів. Вчені прагнули подолати це обмеження. Мета — підвищення продуктивності моделей глибокого навчання для прогнозування фармацевтичних властивостей препаратів.
Розроблений дослідниками інноваційний готовий інструмент штучного інтелекту MolMapNet для глибокого навчання прогнозуванню фармацевтичних властивостей. Починаючи з молекули (вгорі праворуч), її молекулярні властивості (такі як молекулярні компоненти нижче молекули) проєктуються на 2D-пластину (верхня пластина багатопластинної структури) у вигляді зображення, що розпізнає зображення AI (мульти — структура пластини) зчитує пікселі зображення для розпізнавання індикаторів фармацевтичних властивостей, а потім прогнозує (два шари взаємопов’язаних ланок під багатопластинною структурою) фармацевтичні властивості (ліки й пляшка в нижньому лівому кутку). Відкрите поле (внизу праворуч) вказує, що інструмент AI може використовуватися неспеціалістами з коробки. Надано: Шен та ін.
Створення моделі глибокого навчання проходило в три етапи:
Перший — широке вивчення внутрішніх взаємозв’язків молекулярних властивостей більш ніж 8 млн молекул;
Другий — використання нещодавно розробленої техніки перетворення даних для зображення молекулярних властивостей фармацевтичних препаратів у 2D-зображення. Макети пікселів показують внутрішні відносини між цими властивостями. Вони містять важливі індикатори фармацевтичних властивостей, які фіксуються за допомогою навчених моделей глибокого навчання;
Третій — навчання інструменту MolMapNet розпізнаванню 2D-зображення і використовувати їх для прогнозування фармацевтичних властивостей.
У підсумку, ШІ може захоплювати певні шаблони макета пікселів, які характеризують певні фармацевтичні властивості. Це схоже на це. як штучний інтелект розрізняє чоловіків і жінок на зображенні, вивчаючи різні гендерні особливості.
Інноваційний ШІ не вимагає точного налаштування параметрів, а, значить, він доступний для неспеціалістів.
Натхнення: hightech.fm