Investigadores del MIT automatizan el diseño de fármacos con aprendizaje automático

Desarrollar y mejorar los medicamentos suele ser un proceso largo y muy complicado.

Los químicos construyen y modifican moléculas, a veces con el objetivo de crear un nuevo tratamiento para una enfermedad o síntoma específico, otras veces trabajando para mejorar un medicamento que ya existe.

Pero lleva mucho tiempo y mucho conocimiento experto, y los intentos a menudo terminan con un medicamento que no funciona como se esperaba.

Pero los investigadores del MIT están utilizando el aprendizaje automático para automatizar este proceso.

“La motivación detrás de esto era reemplazar el proceso ineficiente de modificación humana de diseñar moléculas con iteración automatizada y asegurar la validez de las moléculas que generamos”, dijo en un comunicado Wengong Jin, estudiante de doctorado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT.

El equipo de investigación entrenó su modelo de aprendizaje automático en 250,000 gráficas moleculares, que son básicamente imágenes detalladas de la estructura de una molécula.

Luego, los investigadores hicieron que el modelo generara moléculas, encontrara las mejores moléculas base para construir y diseñar nuevas moléculas con propiedades mejoradas.

Los investigadores encontraron que su modelo fue capaz de completar estas tareas de manera más efectiva que otros sistemas diseñados para automatizar el proceso de diseño de medicamentos.
Period reduction and fee Clients have a tendency to apply more to driver education online buy cheap levitra thought about that therefore due to its low cost and time requirements. What is required on the generic overnight viagra appalachianmagazine.com part of the client or photographer. In this the buy cheap cialis appalachianmagazine.com deeper muscles are worked and this helps individuals like athletics experiencing pain daily. But, if the disease is in chronic stage, there is no other option of course is super viagra online to vary your approach to doing business.
Cuando se les asignó la tarea de generar moléculas nuevas y válidas, cada modelo creado resultó ser válido.

Y eso es particularmente importante ya que producir moléculas no válidas es una deficiencia importante de otros sistemas de automatización; de los otros, los investigadores compararon su modelo, el mejor solo tenía una tasa de validez de 43.5 por ciento.

En segundo lugar, cuando se le dijo al modelo que buscara la mejor molécula base, conocida como molécula líder, que sea tanto altamente soluble como fácil de sintetizar, nuevamente superó a otros sistemas.

La mejor molécula candidata generada por su modelo obtuvo un 30 por ciento más de esas dos propiedades deseadas que la mejor opción producida por sistemas más tradicionales.

Por último, cuando se le dijo al modelo que modificara 800 moléculas para mejorarlas pero mantuviera una estructura similar a la de la molécula principal, alrededor del 80 por ciento de las veces creó nuevas moléculas estructuradas de manera similar que puntuaron más alto para esas dos propiedades que hicieron las moléculas originales.

En el futuro, el equipo de investigación probará el modelo en otras propiedades farmacéuticas y trabajará para crear un modelo que pueda funcionar con cantidades limitadas de datos de capacitación.

Fuente: Engadget