İlaç Keşfi, Makine Öğrenimi İle Büyük Oranda Hızlandırılabilir
Warwick Üniversitesi dahil olmak üzere araştırmacıların, uluslararası işbirlik ile geliştirdikleri yüksek hassasiyetli yeni bir makine öğrenme modeli sayesinde ilaç keşfi önemli ölçüde hızlandırılabilir.
Warwick Mühendislik Okulu’ndan Dr. James Kermode tarafından kısmen geliştirilen algoritma az miktardaki referans deney ve simülasyona dayanarak bir protein ve bir ilaç molekülü arasındaki etkileşimleri doğru bir şekilde öngörebilir.
Sadece birkaç eğitim referansı kullanılarak bir ilaç molekülü adayının hedef proteine %99 doğrulukla bağlanıp bağlanamayacağı öngörülebilir.
Bu, yalnızca bir düzine test ile yüzlerce bileşiğin gerçekte test edilmesinden sonra aktivitesinin kesin olarak tahmin edilmesi ile eşdeğerdir. Bu yeni metot, aday moleküllerin taranmasını bin kat daha hızlandırabilir.
Algoritma aynı zamanda silikon yüzeylerinin ince özelliklerinin modellenmesi gibi malzeme bilimi problemlerini de çözebilir ve molekül içi kuvvetlerin doğasına dair bilgi veren malzeme ve kimyasal modellemede devrim yaratmayı taahhüt eder.
Warwick Üniversitesi, Hesaplamalı Bilim ve Modelleme the École polytechnique fédérale de Lausanne’s Laboratuvarı, Cambridge Üniversitesi, İngiltere Bilim ve Teknoloji Tesisleri Konseyi ve US. Naval Araştırma Laboratuvarı araştırmacıları tarafından geliştirilen yöntem aynı zamanda moleküllerin hangi kısımlarının etkileşim için önemli olduğunu da belirleyebilir.
Warwick Üniversitesi Mühendislik Fakültesi Tahmin Edici Modelleme Warwick Merkezi’nden Dr James Kermode, araştırmaya ilişkin yorum yaptı.
“Bu çalışma, hem malzeme hem de moleküller için geçerli olan genel amaçlı bir makine öğrenme metodu sağladığı için heyecan verici”.
Araştırmanın ilaç tasarımında kullanılan modellerin doğruluğu ve aktarılabilirliğinde önemli bir artışa ve materyallerin mekanik özelliklerini tanımlamasına yol açması bekleniyor.
Bir yapıdaki her bir atomun çevresinden gelen lokal bilgileri birleştiren bu algoritmanın tasarımı, birçok farklı sınıflardaki kimyasal, malzeme bilimi ve biyokimyasal problemlerin geçerli olmasını sağlar.
Metot, organik moleküllerin kararlılığının yanı sıra mikro elektronik uygulamalar için kritik olan silikon yapıları yöneten ince enerji dengesini tahmin etmede son derece başarılıdır ve bunu kuantum mekaniksel hasaplamanın küçük bir kesitinde yapar.
Araştırma, kimyasal ve malzeme keşfinin kendi kendine kullanan arabadan botlara ve otomatik tıbbi teşhis programlarına kadar teknolojilerinin altında yatan makine öğrenimi ve yapay zeka metotlarından nasıl yararlanıldığını gösterir.
Yeni algoritmalar yeni malzemelerin ve moleküllerin davranışını çok hassas bir şekilde ve az miktarda hesaplama çabasıyla öngörmemize izin vererek zamandan ve paradan tasarruf etmemizi sağlar.
“Malzeme ve Molekül Modellemesini Makine Öğrenimi ile Birleştir” Science Advances’da yayımlanan araştırma, Mühendislik ve Fizik Bilimleri Araştırma Konseyi’nden finansman aldı.
Kaynak : sciencedaily.com
