Optibrium Limited 是药物发现软件和人工智能 (AI) 解决方案的领先供应商，今天宣布在Applied AI Letters 上发表一项同行评审研究，“大规模药物发现数据的深度估算”。
该团队与武田制药的专有全球数据集合作，应用了 Optibrium 的 Augmented Chemistry® 平台，展示了深度学习插补在降低成本和提高药物发现成功率方面的潜力。该平台利用 Intellegens 开发的 Alchemite™ 深度学习方法，并证明可以对潜在药物的复杂生物学特性进行更准确和可靠的预测，从而实现更有效的设计决策。
该研究表明，深度学习插补对全球制药规模、高价值和专有数据集产生了新的有价值的见解。此类数据集很复杂，其数据来自许多不同的实验，包括生化和表型分析中的化合物活性、高通量筛选数据以及吸收、分布、代谢、消除和毒性 (ADMET) 终点。
由于大多数潜在药物化合物仅在制药和生物技术公司经常使用的一小部分实验中进行测量，从而导致数据集只有少数可能的测量结果，因此对此类数据的项目进展做出最佳决策变得更加复杂已经完成。
此外，由于生物实验的复杂性，测量非常嘈杂。虽然这些特征限制了大多数机器学习方法的有效性，但该研究证实，Augmented Chemistry® 为此类具有挑战性的数据提供了宝贵的见解。
该研究还发现，深度学习插补对化合物的生物学特性做出了更准确的预测，包括在项目背景下对化合物活性的前瞻性预测。特别是，它在预测复杂的终点(例如基于细胞的分析)方面显示出巨大的优势，这些终点需要大量资源，并且更准确的预测可以节省大量时间和成本。
此外，该方法可靠地确定了作为决策依据的最准确的预测，这对于避免因不准确的预测而错过宝贵的机会至关重要。它强调了在哪些方面需要更多的实验数据来做出自信的决定，使其与其他难以为个人预测提供可靠置信度信息的机器学习和 AI 方法区分开来。
标签： Optibrium
免责声明：本文由用户上传，如有侵权请联系删除！