AI не замінить виявлення наркотиків, але, нарешті, може виправити одне з найприємніших вузьких місць. Прочитайте, як цільовий підхід до ADMET прорізається через шум.
Перш ніж сполука може стати життєздатною терапією, вона повинна пройти ряд тестів – не лише для потенції, а для того, як вона поводиться в організмі. Поглинання, розподіл, метаболізм, екскреція та токсичність – спільно відомі як ADMET – є одними з найбільш критичних і складних перешкод при виявленні наркотиків з невеликою молекулою. Лікарські хіміки часто описують оптимізацію ADMET як неприємну проблему “Whack-A-Mole”: покращити одну властивість, а інша має тенденцію до погіршення. Це сфера, де навіть досвідчені команди проводять значний час та ресурси з невизначеними результатами.
Джош Хаймсон, співзасновник та виконавчий директор «Індуктивного BIO» вважає цей процес, ідеально підходящий для програми AI. Замість того, щоб намагатися автоматизувати весь процес виявлення наркотиків, він вважає, що ключ полягає у вирішенні одного з найбільш наполегливих вузьких місць із цілеспрямованими спеціалізованими інструментами.
“Ми зосереджуємось виключно на оптимізації ADMET”, – пояснює він. Це рішення-заглибитись, а не широким-дозволило індуктивній біографії розробити індивідуальні моделі глибокого навчання, які надають хімікам з розумінням молекулярного рівня в режимі реального часу, перш ніж синтез навіть розпочнеться.
Результат: Менше невдалих сполук, швидше цикли ітерації та більш ефективний шлях до кандидата.
Обмін даними без компромісів
Виявлення наркотиків давно характеризується сильною культурою секретності. Завдяки інтелектуальній власності, що утворює основу конкурентної переваги, компанії, зрозуміло, обережні щодо обміну даними – особливо на доклінічних етапах. Тож як індуктивна біографія переконала, що змусили провідних партнерів Pharma внести свій внесок у консорціум спільних даних?
“Ви починаєте з визначення по-справжньому попередньо конкурентних областей”,-пояснює Хаймсон.
По мірі того, як приєдналися більше партнерів, моделі вдосконалювались, що залучало більше партнерів. Це створило ефект маховика.
Індуктивний підхід BIO залежить від виступу чіткої межі між комерційно чутливою інформацією та науково цінними даними. Їх моделі не розроблені для отримання власних цілей або нових хімії. Натомість вони зосереджуються на спільних викликах – наприклад, як різні молекулярні структури поглинаються, метаболізуються або солюбілізуються. Ці основні властивості ADMET є основоположними для розвитку наркотиків у цій галузі, що робить їх добре підходить для передконкурентної співпраці.
Щоб забезпечити цю співпрацю, індуктивні побудовані суворі системи кібербезпеки та чіткі юридичні рамки, працюючи рука об руку як з науковими, так і з діловими командами. Результатом є безпечна модель, що дає домовленість, яка перетворилася на консорціум даних з імпульсом самозв'язки.
“По мірі того, як приєдналися більше партнерів, моделі вдосконалювались, що залучало більше партнерів”, – говорить Хаймсон. “Це створило ефект маховика”.
Як і Банк даних про білки, який дозволив проривами шляхом об'єднання структурних даних, модель індуктивної BIO показує, як обмін фундаментальними уявленнями – без шкоди для інтелектуальної власності (IP) – може принести користь усьому полі.
ADMET відноситься до поглинання, розподілу, метаболізму, виділення та токсичності. Це ключові фактори в розвитку наркотиків, але прогнозування та оптимізація їх залишається головним викликом у виявленні наркотиків через складність біології людини та мінливість реакцій на наркотики. Кредит на зображення: Ugreen 3S / Shutterstock.
Від теорії до відчутних результатів
Це не просто історія, яка відчуває себе, про співпрацю та потенціал. Індуктивний підхід BIO вже дає реальні результати, причому один приклад є нещодавнім партнерством із вкладеними терапевтичними засобами.
У цьому проекті моделі Admet Inducture були інтегровані з платформою вкладених терапевтичних засобів, яка прогнозує, наскільки щільно сполуки зв'язуються з криптовими білковими кишенями-відомою проблемою в розробці наркотиків. Криптичні кишені – це ділянки зв'язування на білках, які не видно в статичній структурі, але можуть впливати через конформаційні зміни, що ускладнює їх виявлення ще цінним для цілі.
Це дозволило нам швидко повторювати та оптимізувати свинцеві сполуки та вирішити критичні виклики ADMET.
“Інтеграція моделей ADDET індуктивних BIO в прогнозні платформи вкладених допомогло нам визначити пріоритетні конструкції з оптимальними властивостями, що нагадують наркотики”,-сказав Йонксин Хань, EVP та керівник відділу виявлення наркотиків у вкладеній. “Це дозволило нам швидко повторювати та оптимізувати свинцеві сполуки та вирішити критичні виклики ADMET”.
За словами Хаймсона, моделі індуктивних відіграли ключову роль у вирішенні проблем навколо проникності та метаболічної стабільності – обидва вони можуть значно перешкоджати життєздатності сполуки. За підтримки прогнозів у реальному часі, вкладена команда змогла прискорити оптимізацію свинцю та призначити кандидата на розвиток, що випереджає типові терміни.
Не просто інша компанія AI
Багато стартапів розбивають рішення AI у виявленні наркотиків, але Хаймсон впевнений, що індуктивна біографія працює на іншій довжині хвилі.
Для одного, команда обрала глибину над широтою. Незважаючи на те, що багато конкурентів прагнуть вирішити весь трубопровід, індуктивна орієнтована на ADMET, розробляючи спеціальні архітектури глибокого навчання, спеціально налаштовані для прогнозування складних результатів аналізу. Цей вузький фокус вже окупився: їхні моделі Beacon-1 посіли перше місце серед 39 конкурентів у конкурсі Polaris Admet.
Ми не конкурент. Ми – технологічний партнер.
По -друге, їх платформа компаса не намагається замінити хіміків – вона допомагає їм. У режимі реального часу Compass підкреслює, які частини молекули можуть спричинити проблеми та пропонують рекомендації щодо покращення цих функцій. Він інтуїтивний, чуйний і не вимагає передумови в машинному навчанні – що робить його справжнім копілотом у лабораторії.
По -третє, індуктивне не будує власний наркотичний трубопровід. “Ми не конкурент”, – каже Хаймсон. “Ми – технологічний партнер”. Це дозволяє їм працювати через десятки активних препаратів, що охоплюють все, від нейрології до онкології, запалення до імунології.
Платформа індуктивної вже оцінила понад мільйон конструкцій молекули, забезпечуючи хімікам швидкі прогнози зобов’язань, пов'язаних з ADMET, під час фази проектування.
Менше невдалих молекул, швидше терапії
Оскільки економічний тиск стискає сектор та глобальну конкуренцію, що посилюється, біотехнологічні фірми перебувають під більш увагою, ніж будь -коли. Інвестори хочуть, швидко. Саме тут ціннісна пропозиція індуктивної стає важкою для ігнорування.
“Щоб залишатися живими та конкурентоспроможними, біотехнологічні компанії змушені розвивати наркотики з меншою кількістю ресурсів і швидше досягти критичних етапів збору коштів”, – відображає Хаймсон.
Даючи хімікам чіткіший погляд на те, як поводитимуться їх конструкції, платформа індуктивної допоможе зменшити дорогі здогадки. Прогнози мають оцінки ймовірності – не лише двійкові судження “так/ні” – щоб команди могли оцінювати ризик та ефективно визначати пріоритет. Наприклад, платформа може передбачити 75 -відсоткову ймовірність того, що молекула зіткнеться з проблемами метаболічної стабільності. Це дозволяє хімікам перевіряти гіпотези та коригувати конструкції в режимі реального часу, приймаючи більш обґрунтовані рішення, перш ніж взяти на себе синтез.
Щоб залишатися в живих та конкурентоспроможних, біотехнологічні компанії змушені розвивати наркотики з меншими ресурсами та швидше досягти критичних етапів збору коштів.
І хоча сьогоднішній фокус є Admet, Джош підкреслив, що їх платформа побудована для гнучкості. У міру зростання консорціуму даних моделі постійно вдосконалюються в хімічному та терапевтичному контексті. Щотижневі експериментальні відгуки партнерів подають в систему, сприяючи постійним вдосконаленню.
“Щотижня наші партнери роблять молекули та проводять експерименти”, – пояснює Хаймсон. Ця петля – дизайн, прогнозування, тестування, навчання – це те, що робить їхні моделі все більш потужними.
Через п’ять років він прогнозує, що дизайн, керований AI, буде не просто нішевим інструментом-це буде галузевий стандарт. Дні синтезу тисяч сполук з надією, що можна працювати, пронумеровані.
Фундаментальний зсув досліджень на ранній стадії
Завдяки посиленому фінансуванню та зростаючій глобальній конкуренції, Хаймсон зазначає, що попит на платформу індуктивної біографії лише зростає. “Фармацевтична промисловість стикається з тиском на кілька фронтів: все більш дефіцитне фінансування на ранній стадії, зростаюча конкуренція з боку китайських біотехнологічних компаній та традиційний процес виявлення наркотиків, який залишається неефективним і дорогим”. У відповідь компанії звертаються до інструментів, які можуть зменшити ризик, прискорити прийняття рішень та зберегти ресурси.
У полі, де терміни довгі, а невизначеність є нормою, робота індуктивної біографії – це нагадування про те, що прогрес не завжди відбувається від широкого відновлення. Іноді це випливає з вирішення найскладніших, найвідоміших проблем – по одній молекулі за один раз.
Зустріньте Джоша Хаймсона
Джош провів свою кар'єру, зосереджена на перехресті машинного навчання, продуктів та наук про життя/Healthcare.PRIOR до індуктивного, Джош був директором продукту ML та організацій, що курають дані, в організації Flatiron Health, де його команди працювали над створенням реальних доказів (RWE) у масштабі в мережі Flatiron з 2 мільйонів пацієнтів з активними раками для дослідників у фармаї, академії та уряду.
До Flatiron, Джош був у MIT, вивчаючи інформатику та працював з дослідниками загальної лікарні штату Массачусетс, щоб використовувати ML та NLP для прогнозування реакції пацієнтів на терапію ресинхронізації серця.
