化学空间AL:一种有效的积极学习方法,应用于特定蛋白质的分子生成
Gregory W Kyro1, Anton Morgunov1, Rafael I Brent1
1Department of Chemistry, Yale University, New Haven, Connecticut 06511-8499, United States.
Journal of chemical information and modeling
|January 30, 2024
概括
生成型人工智能通过高效生成新型分子来加速药物发现. 这种主动学习方法可以识别针对蛋白质的向药物候选者,如c-Abl激酶和Cas9,甚至可以创建现有的抑制剂.
科学领域:
- 计算化学是一种计算化学.
- 医学中的人工智能
- 药物的发现和开发.
背景情况:
- 生成型人工智能 (AI) 模型为药物发现中的应用提供了强大的功能.
- 探索广的化学空间需要有效的方法来识别具有所需性质的分子.
- 积极学习策略可以优化对新型分子结构的搜索.
研究的目的:
- 为目标分子生成提供一个计算效率高的主动学习方法.
- 为了证明这种方法在识别潜在的候选药物的应用性.
- 为可重复性和实现提供开源软件包.
主要方法:
- 开发一种用于分子生成的新型积极学习框架.
- 该方法应用于c-Abl激酶,这是已知的抑制剂的目标.
- 在CRISPR相关蛋白9 (Cas9) 酶的HNH域上测试该方法,该酶是缺乏已知的抑制剂的标.
主要成果:
- 积极学习模型成功地产生了类似于已知的c-Abl激酶抑制剂的分子,而没有先前的知识.
- 该模型完全复制了两种现有的FDA批准的c-Abl激酶的小分子抑制剂.
- 该方法在生成向Cas9酶的HNH域的分子方面被证明是有效的.
结论:
- 提出的积极学习方法在药物发现中对向分子生成具有计算效率和有效性.
- 这种方法可以识别具有或没有现有抑制剂的蛋白质的新药候选者.
- 开源的ChemSpaceAL软件包促进了这种人工智能驱动的药物发现技术的实施和可重复性.
更多相关视频
14:02Optimizing the Genetic Incorporation of Chemical Probes into GPCRs for Photo-crosslinking Mapping and Bioorthogonal Chemistry in Live Mammalian Cells
Published on: April 9, 2018
8.5K
07:35Rapid, Enzymatic Methods for Amplification of Minimal, Linear Templates for Protein Prototyping using Cell-Free Systems
Published on: June 14, 2021
2.7K
