薬剤発見におけるADME予測のための次世代人工知能:小分子から生物学的物質まで

科学分野:

• 薬理学とコンピュータ化学
• 薬物の発見と開発
• 医療における人工知能

背景:

• 吸収,分布,代謝,排泄 (ADME) を含む薬剤動力学的 (PK) 行動は,薬剤発見,用量最適化,および安全性にとって重要である.
• 発達の初期にヒトPKを予測することは,依然として大きな障害であり,高い臨床消耗率と製薬パイプラインの非効率性につながる.
• AIとMLは,小分子に対するADME予測を進めてきたが,ペプチドや生物学的薬のような新興モデルの課題は依然として残っている.

研究 の 目的:

• ADMEとPKの性質を予測するためのコンピューティングフレームワークの進化をレビューする.
• 様々な治療方法における薬物行動の予測のためのAI/MLにおける方法論的進歩を強調する.
• 薬剤設計におけるAI主導のADMET予測の新興傾向,限界,および将来の展望について議論する.

主な方法:

• 伝統的な記述子ベースのQSARと古典的なMLからディープラーニング,GNN,化学言語モデルへの進歩を要約します.
• 実験データ,構造情報,生物学的文脈を統合したマルチモダルフレームワークの検討.
• 生物学のシーケンス,構造,およびメカニズムに意識した表現を組み込んだAIアプローチを分析する.
• 統一されたクロスモダリティADMETモデリングのための基礎モデルについて議論する.

主要な成果:

• AI/MLの方法は,ADMEの予測を,特に小分子については,著しく改善しました.
• マルチモダルおよびシーケンス/構造に敏感なAIアプローチは,ペプチド,オリゴヌクレオチドおよび抗体治療の予測可能性を高めます.
• ファンデーションモデルは,統合された表現と,クロスモダリティのADMETモデリングのための改善された汎用性を提供します.
• これらの進歩は,より正確で解釈可能な予測の有望さを示しています.

結論:

• AIが駆動するコンピューティングフレームワークは大きく進化し,小分子から複雑な生物学的物質まで,より正確なPK/ADMET予測を可能にしました.
• 新興のマルチモダルおよび基礎モデルアプローチは,新しい治療方法の行動を予測する課題に対処するために不可欠です.
• AI主導のADMET予測の実践的な実装は,合理的な薬剤設計と開発を加速する大きな可能性を秘めています.