Jukumu la AI ya Kuzalisha katika Ugunduzi wa Dawa za Kulevya ni lipi? [Video na Maswali]

Jibu fupi: AI ya kuzalisha huharakisha ugunduzi wa dawa za mapema kwa kutoa molekuli au mfuatano wa protini, kupendekeza njia za usanisi, na kutoa nadharia zinazoweza kujaribiwa, ili timu ziweze kufanya majaribio machache "yasiyo na upofu". Inafanya vyema zaidi unapotekeleza vikwazo vikali na kuthibitisha matokeo; ikichukuliwa kama oracle, inaweza kupotosha kwa kujiamini.

Mambo muhimu ya kuzingatia:

Kuongeza kasi: Tumia GenAI kupanua uzalishaji wa mawazo, kisha punguza kwa kuchuja kwa ukali.

Vikwazo: Inahitaji safu za mali, sheria za jukwaa, na mipaka mipya kabla ya kizazi.

Uthibitishaji: Chukua matokeo kama dhana; thibitisha kwa kutumia majaribio na mifano ya orthogonal.

Ufuatiliaji: Vidokezo vya kumbukumbu, matokeo, na mantiki ili maamuzi yabaki kuwa yanayoweza kukaguliwa na kupitiwa.

Upinzani wa matumizi mabaya: Zuia uvujaji na kujiamini kupita kiasi na utawala, vidhibiti vya ufikiaji, na mapitio ya kibinadamu.

Makala ambazo unaweza kupenda kusoma baada ya hii:

🔗 Jukumu la AI katika huduma ya afya
Jinsi AI inavyoboresha utambuzi, mtiririko wa kazi, huduma kwa wagonjwa, na matokeo.

🔗 Je, AI itachukua nafasi ya wataalamu wa eksirei?
Huchunguza jinsi otomatiki inavyoongeza radiolojia na kile kinachobaki kuwa binadamu.

🔗 Je, akili bandia itachukua nafasi ya madaktari?
Mtazamo wa kweli kuhusu athari za akili bandia (AI) kwenye kazi na utendaji kazi wa madaktari.

🔗 Zana bora za maabara za AI kwa ugunduzi wa kisayansi
Zana bora za maabara za AI ili kuharakisha majaribio, uchambuzi, na ugunduzi.

Jukumu la AI ya kuzalisha katika Ugunduzi wa Dawa za Kulevya, kwa pumzi moja 😮💨

AI ya kuzalisha husaidia timu za dawa kuunda molekuli zinazohitajika, kutabiri sifa, kupendekeza marekebisho, kupendekeza njia za usanisi, kuchunguza dhana za kibiolojia, na kubana mizunguko ya marudio - hasa katika ugunduzi wa mapema na uboreshaji wa risasi. Nature 2023 (mapitio ya ugunduzi wa ligand) Mapitio ya Elsevier 2024 (mifumo ya kuzalisha katika muundo mpya wa dawa)

Na ndiyo, inaweza pia kutoa upuuzi kwa ujasiri. Hiyo ni sehemu ya mpango huo. Kama mwanafunzi mwenye shauku kubwa na injini ya roketi. Mwongozo wa madaktari (hatari ya ndoto) npj Dijitali Medicine 2025 (ndoto za ndoto + mfumo wa usalama)

Kwa nini hili ni muhimu zaidi ya watu wanavyokubali 💥

Kazi nyingi za ugunduzi ni "utafutaji." Tafuta nafasi ya kemikali, biolojia ya utafutaji, fasihi ya utafutaji, uhusiano wa muundo-kazi ya utafutaji. Tatizo ni kwamba nafasi ya kemikali ni ... kimsingi isiyo na kikomo. Akaunti za Utafiti wa Kemikali 2015 (nafasi ya kemikali) Irwin & Shoichet 2009 (kipimo cha nafasi ya kemikali)

Unaweza kutumia maisha mengi ukijaribu tu mabadiliko "yanayofaa".

AI ya Uzalishaji hubadilisha mtiririko wa kazi kutoka:

• "Hebu tujaribu kile tunachoweza kufikiria"

kwa:

• "Tutengeneze seti kubwa na nadhifu ya chaguzi, kisha tujaribu zile bora zaidi"

Sio kuhusu kuondoa majaribio. Ni kuhusu kuchagua majaribio bora zaidi. 🧠 Nature 2023 (mapitio ya ugunduzi wa ligand)

Pia, na hili halijajadiliwa kikamilifu, husaidia timu kuzungumza katika taaluma mbalimbali. Wanakemia, wanabiolojia, watu wa DMPK, wanasayansi wa kompyuta… kila mtu ana mifumo tofauti ya kiakili. Mfumo mzuri wa uzalishaji unaweza kutumika kama sketchpad ya pamoja. Mapitio ya Frontiers in Drug Discovery 2024

Ni nini kinachofanya toleo zuri la AI ya kuzalisha kwa ugunduzi wa dawa za kulevya? ✅

Sio AI zote zinazozalisha zilizoundwa sawa. Toleo "nzuri" la nafasi hii halihusu sana maonyesho ya kuvutia bali zaidi kuhusu uaminifu usio wa kuvutia (uovu ni sifa hapa). Nature 2023 (mapitio ya ugunduzi wa ligand)

Mpangilio mzuri wa AI wa uzalishaji kwa kawaida huwa na:

• Udhibiti wa kikoa: umefunzwa au umebadilishwa kulingana na data ya kemikali, kibiolojia, na kifamasia (sio maandishi ya jumla tu) 🧬 Mapitio ya Elsevier 2024 (mifumo ya uzalishaji)

• Vizuizi - kizazi cha kwanza: kinaweza kutii sheria kama vile viwango vya lipophilicity, vikwazo vya jukwaa, vipengele vya kufungamana kwa tovuti, malengo ya kuchagua JCIM 2024 (mifumo ya usambazaji katika muundo mpya wa dawa) REINVENT 4 (mfumo wazi)

• Ufahamu wa mali: hutoa molekuli ambazo si mpya tu bali pia "si za kipuuzi" katika suala la ADMET ADMETlab 2.0 (kwa nini ADMET ya mapema ni muhimu)

• Kuripoti kutokuwa na uhakika: huashiria wakati inakisia dhidi ya wakati ni thabiti (hata bendi ya kujiamini isiyo na uhakika husaidia) Kanuni za uthibitishaji wa OECD QSAR (eneo la utumikaji)

• Udhibiti wa kibinadamu ndani ya kitanzi: wanakemia wanaweza kuongoza, kukataa, na kuongoza matokeo haraka Nature 2023 (mtiririko wa kazi + muktadha wa teknolojia ya ugunduzi)

• Ufuatiliaji: unaweza kuona ni kwa nini pendekezo lilitokea (angalau kwa sehemu), au unapuuza mwongozo wa OECD QSAR (uwazi wa modeli + uthibitisho)

• Tathmini ya kuunganisha: uwekaji wa gati, QSAR, vichujio, ukaguzi wa usanisi wa nyuma - vyote vimeunganishwa 🔧 Nature 2023 (mapitio ya ugunduzi wa ligand) Kujifunza kwa Mashine katika CASP (Coley 2018)

• Upendeleo na udhibiti wa uvujaji: ili kuepuka kukariri data kwa njia ya siri (ndio, hutokea) USENIX 2021 (uchimbaji data wa mafunzo) Vogt 2023 (maswali mapya/ya kipekee)

Ikiwa AI yako ya kuzalisha haiwezi kushughulikia vikwazo, kimsingi ni chanzo kipya. Furaha kwenye sherehe. Furaha kidogo katika programu ya dawa za kulevya.

Ambapo AI ya uzalishaji inalingana katika bomba la ugunduzi wa dawa 🧭

Hapa kuna ramani rahisi ya kiakili. AI ya kuzalisha inaweza kuchangia karibu kila hatua, lakini inafanya kazi vizuri zaidi ambapo marudio ni ghali na nafasi ya dhana ni kubwa. Nature 2023 (mapitio ya ugunduzi wa ligand)

Sehemu za kawaida za kugusa:

• Ugunduzi na uthibitishaji wa lengo (nadharia, uchoraji ramani wa njia, mapendekezo ya alama za kibiolojia) Mapitio ya Frontiers katika Ugunduzi wa Dawa za Kulevya 2024

• Utambuzi wa hit (uongezaji wa uchunguzi pepe, kizazi kipya cha hit) Nature Biotechnology 2019 (GENTRL)

• Uboreshaji wa risasi (kupendekeza analogi, urekebishaji wa vigezo vingi) REINVENT 4

• Usaidizi wa kabla ya kliniki (Utabiri wa sifa za ADMET, vidokezo vya uundaji wakati mwingine) ADMETlab 2.0

• Upangaji wa CMC na usanisi (mapendekezo ya usanisi wa upya, upangaji wa njia) AiZynthFinder 2020 Coley 2017 (usanisi wa upya unaosaidiwa na kompyuta)

• Kazi ya maarifa (usanisi wa fasihi, muhtasari wa mazingira ya ushindani) 📚 Mifumo 2025 (LLM katika ugunduzi wa dawa za kulevya)

Katika programu nyingi, mafanikio makubwa zaidi hutokana na ujumuishaji wa mtiririko wa kazi, si kutokana na modeli moja kuwa "kipaji." Mfano ni injini - bomba ni gari. Nature 2023 (mapitio ya ugunduzi wa ligand)

Jedwali la Ulinganisho: mbinu maarufu za kuzalisha akili bandia zinazotumika katika ugunduzi wa dawa 📊

Jedwali lisilokamilika kidogo, kwa sababu maisha halisi hayana ukamilifu kidogo.

Vidokezo: bei hutofautiana sana kulingana na ukubwa, hesabu, leseni, na kama timu yako inataka "kuunganisha na kucheza" au "tujenge chombo cha angani."

Mtazamo wa karibu: AI ya kuzalisha kwa ajili ya ugunduzi wa mafanikio na muundo mpya 🧩

Hii ndiyo hali kuu ya matumizi: tengeneza molekuli zinazofaa kuanzia mwanzo (au kutoka kwenye jukwaa) zinazolingana na wasifu lengwa. Nature Biotechnology 2019 (GENTRL) UPYA 4

Jinsi inavyofanya kazi kwa kawaida katika mazoezi:

1. Bainisha vikwazo

   • darasa lengwa, umbo la mfukoni linalofungamana, ligandi zinazojulikana

   • Safu za mali (umumunyifu, logP, PSA, n.k.) Lipinski (Kanuni ya muktadha wa 5)

   • vikwazo vya uvumbuzi (epuka maeneo ya IP yanayojulikana) 🧠 Vogt 2023 (tathmini ya uvumbuzi)

2. Tengeneza wagombea

   • kurukaruka kwa jukwaa

   • ukuaji wa vipande

   • Mapendekezo ya "pamba msingi huu"

   • uzalishaji wa malengo mengi (kufunga + kupenyeza + kutokuwa na sumu) 4 (mifumo ya kuzalisha)

3. Chuja kwa nguvu

   • sheria za kemia ya dawa

   • Vichujio vya PAINS na vikundi tendaji Baell & Holloway 2010 (PAINS)

   • hundi za usanisi AiZynthFinder 2020

   • kuweka alama kwenye kizimbani / kuweka alama (haijakamilika lakini inasaidia) Nature 2023 (mapitio ya ugunduzi wa ligand)

4. Chagua seti ndogo ya usanisi

   • wanadamu bado huchagua, kwa sababu wanadamu wanaweza kunusa upuuzi wakati mwingine

Ukweli usio wa kawaida: thamani si "molekuli mpya" tu. Ni molekuli mpya zinazoeleweka kwa vikwazo vya programu yako. Sehemu hiyo ya mwisho ndiyo kila kitu. Nature 2023 (mapitio ya ugunduzi wa ligand)

Pia, kuzidisha kidogo kunaingia: unapofanya vizuri, unaweza kuhisi kama umeajiri timu ya wanakemia wadogo wasiochoka ambao hawalali kamwe na hawalalamiki kamwe. Tena, pia hawaelewi kwa nini mkakati maalum wa ulinzi ni ndoto mbaya, kwa hivyo… usawazishe 😅.

Kuangalia kwa karibu: Uboreshaji wa risasi kwa kutumia AI ya kuzalisha (urekebishaji wa vigezo vingi) 🎛️

Uboreshaji wa uongozi ndio mahali ambapo ndoto huenda kuwa ngumu.

Unataka:

• nguvu imeongezeka

• uteuzi juu

• utulivu wa kimetaboliki huongezeka

• umumunyifu juu

• ishara za usalama zimepunguzwa

• upenyezaji "sawa kabisa"

• NA bado inaweza kutengenezwa

Huu ni uboreshaji wa kawaida wa malengo mengi. AI ya kuzalisha ni nzuri sana katika kupendekeza seti ya suluhisho za maelewano badala ya kujifanya kuna mchanganyiko mmoja kamili. TUNDA UPYA 4 Mapitio ya Elsevier 2024 (mifumo ya kuzalisha)

Njia za vitendo ambazo timu hutumia:

• Pendekezo la analogi: "Tengeneza aina 30 zinazopunguza uwazi lakini huhifadhi nguvu"

• Uchanganuzi mbadala: uchunguzi unaoongozwa badala ya hesabu ya nguvu ya brute

• Kuruka kwa jukwaa: wakati kiini kinapogonga ukuta (sumu, IP, au utulivu)

• Mapendekezo ya kuelezea: "Kundi hili la polar linaweza kusaidia kuyeyuka lakini linaweza kuathiri upenyezaji" (sio sahihi kila wakati, lakini linasaidia)

Tahadhari moja: vitabiri vya sifa vinaweza kuwa dhaifu. Ikiwa data yako ya mafunzo hailingani na mfululizo wako wa kemikali, modeli inaweza kuwa na makosa kwa uhakika. Kama, si sahihi sana. Na haitaonekana aibu. Kanuni za uthibitishaji wa QSAR za OECD (kikoa cha utumikaji) Weaver 2008 (kikoa cha utumikaji cha QSAR)

Kuangalia kwa karibu: ADMET, sumu, na uchunguzi wa "tafadhali usiue programu" 🧯

ADMET ni mahali ambapo watahiniwa wengi hushindwa kimya kimya. AI ya kuzalisha haisuluhishi biolojia, lakini inaweza kupunguza makosa yanayoweza kuepukika. ADMETlab 2.0 Waring 2015 (kutoweka)

Majukumu ya kawaida:

• kutabiri dhima za kimetaboliki (maeneo ya kimetaboliki, mitindo ya uondoaji)

• kuashiria motifu zinazowezekana za sumu (tahadhari, proksi za kati zinazoitikia)

• kukadiria kiwango cha umumunyifu na upenyezaji

• kupendekeza marekebisho ili kupunguza hatari ya hERG au kuboresha uthabiti 🧪 FDA (ICH E14/S7B Q&A) EMA (muhtasari wa ICH E14/S7B)

Muundo unaofaa zaidi huwa unaonekana kama huu: tumia GenAI kupendekeza chaguo, lakini tumia mifumo na majaribio maalum ili kuthibitisha.

AI ya kuzalisha ni injini ya mawazo. Uthibitishaji bado unatumika katika majaribio.

Mtazamo wa karibu: AI ya Kuzalisha kwa ajili ya uhandisi wa biolojia na protini 🧬✨

Ugunduzi wa dawa si molekuli ndogo tu. AI ya kuzalisha pia hutumika kwa:

• uzalishaji wa mfuatano wa kingamwili

• mapendekezo ya kukomaa kwa upendeleo

• maboresho ya uthabiti wa protini

• uhandisi wa vimeng'enya

• uchunguzi wa matibabu ya peptidi ProtiniMPNN (Sayansi 2022) Rives 2021 (mifano ya lugha ya protini)

Uzalishaji wa protini na mfuatano unaweza kuwa na nguvu kwa sababu "lugha" ya mfuatano inalingana vyema na mbinu za ML. Lakini hapa kuna kurudi nyuma kwa kawaida: inalingana vizuri… hadi isiwe hivyo. Kwa sababu uwezo wa kinga mwilini, usemi, mifumo ya glycosylation, na vikwazo vya ukuaji vinaweza kuwa vya kikatili. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Kwa hivyo, mipangilio bora ni pamoja na:

• vichujio vya uundaji

• alama za hatari ya kinga mwilini

• vikwazo vya utengenezaji

• vitanzi vya maabara ya mvua kwa ajili ya kurudia haraka 🧫

Ukiziruka, unapata mlolongo mzuri unaofanya kazi kama diva katika uzalishaji.

Kuangalia kwa karibu: Mapendekezo ya upangaji wa usanisi na usanisi wa nyuma 🧰

AI ya kuzalisha pia inaingia kisiri katika shughuli za kemia, si tu mawazo ya molekuli.

Wapangaji wa usanisinuru wanaweza:

• pendekeza njia za kufikia kiwanja lengwa

• pendekeza vifaa vya kuanzia vinavyopatikana kibiashara

• njia za kupanga kwa hesabu ya hatua au uwezekano unaoonekana

• Wasaidie wanakemia kuondoa haraka mawazo "mazuri lakini hayawezekani" AiZynthFinder 2020 Coley 2018 (CASP)

Hii inaweza kuokoa muda halisi, hasa unapochunguza miundo mingi inayoweza kubadilika. Hata hivyo, wanadamu ni muhimu sana hapa kwa sababu:

• mabadiliko ya upatikanaji wa vitendanishi

• Masuala ya usalama na ukubwa ni halisi

• Baadhi ya hatua zinaonekana nzuri kwenye karatasi lakini hushindwa mara kwa mara

Sitiari isiyo kamili, lakini nitatumia hata hivyo: usanisi wa nyuma AI ni kama GPS ambayo kwa kiasi kikubwa ni sahihi, isipokuwa wakati mwingine inakupitisha kwenye ziwa na kusisitiza kuwa ni njia ya mkato. 🚗🌊 Coley 2017 (usanisi wa nyuma unaosaidiwa na kompyuta)

Data, mifumo ya moduli nyingi, na uhalisia uliochakaa wa maabara 🧾🧪

AI ya kizazi hupenda data. Maabara hutoa data. Kwenye karatasi, hilo linasikika rahisi.

Hapana.

Data halisi ya maabara ni:

• haijakamilika

• kelele

• kamili ya athari za kundi Leek et al. 2010 (athari za kundi) Nature 2024 (athari za kundi katika upigaji picha wa seli)

• kutawanyika katika miundo mbalimbali

• amebarikiwa na kanuni za "ubunifu" za majina

Mifumo ya uzalishaji wa mifumo mingi inaweza kuchanganya:

• matokeo ya jaribio

• miundo ya kemikali

• picha (hadubini, histolojia)

• omiki (nukuu, proteomiki)

• maandishi (itifaki, ELN, ripoti) npj Dijitali ya Tiba 2025 (ya aina nyingi katika bioteknolojia) Uchambuzi wa Picha za Kimatibabu 2025 (AI ya aina nyingi katika tiba)

Inapofanya kazi, ni nzuri sana. Unaweza kugundua mifumo isiyo dhahiri na kupendekeza majaribio ambayo mtaalamu mmoja anaweza kukosa.

Inaposhindwa, inashindwa kimya kimya. Haifungi mlango. Inakusukuma tu kuelekea hitimisho lisilo sahihi. Ndiyo maana utawala, uthibitisho, na ukaguzi wa kikoa si hiari. Mwongozo wa madaktari (njozi) npj Dijitali Medicine 2025 (njozi + mfumo wa usalama)

Hatari, mapungufu, na sehemu ya "usidanganywe na matokeo fasaha" ⚠️

Ukikumbuka jambo moja tu, kumbuka hili: AI ya kuzalisha inashawishi. Inaweza kusikika sawa huku ikiwa na makosa. Mwongozo wa madaktari (ndoto za ndoto)

Hatari kuu:

• Mifumo ya ndoto: biolojia inayowezekana ambayo si mwongozo halisi wa Madaktari (ndoto za ndoto)

• Uvujaji wa data: kuzalisha kitu kilicho karibu sana na misombo inayojulikana USENIX 2021 (mafunzo ya uchimbaji data) Vogt 2023 (maswali mapya/ya kipekee)

• Uboreshaji kupita kiasi: kufuatilia alama zilizotabiriwa ambazo hazitafsiriwi katika vitro Nature 2023 (mapitio ya ugunduzi wa ligand)

• Upendeleo: data ya mafunzo iliyoelekezwa kuelekea aina fulani za kemo au malengo Vogt 2023 (tathmini ya modeli + upendeleo/uvumbuzi)

• Uzushi wa uwongo: molekuli "mpya" ambazo kwa kweli ni tofauti ndogo Vogt 2023

• Mapungufu ya uelezeo: ni vigumu kuhalalisha maamuzi kwa wadau Kanuni za uthibitishaji wa QSAR za OECD

• Masuala ya usalama na IP: maelezo nyeti ya programu katika vidokezo 😬 USENIX 2021 (uchimbaji wa data ya mafunzo)

Mapungufu yanayosaidia katika vitendo:

• wafanye wanadamu wafanye maamuzi

• vidokezo vya kumbukumbu na matokeo ya ufuatiliaji

• thibitisha kwa kutumia mbinu za orthogonal (vipimo, mifumo mbadala)

• tekeleza vikwazo na vichujio kiotomatiki

• chukulia matokeo kama dhana, si vidonge vya ukweli mwongozo wa OECD QSAR

AI ya Uzalishaji ni zana ya umeme. Vifaa vya umeme havikufanyi kuwa seremala… hufanya makosa haraka zaidi ikiwa hujui unachofanya.

Jinsi timu zinavyotumia AI ya uzalishaji bila machafuko 🧩🛠️

Timu mara nyingi hutaka kutumia hili bila kugeuza shirika kuwa maonyesho ya kisayansi. Njia ya vitendo ya kupitishwa inaonekana kama hii:

• Anza na kizuizi kimoja (upanuzi uliofanikiwa, uzalishaji wa analogi, uundaji wa fasihi) Nature 2023 (mapitio ya ugunduzi wa ligand)

• Jenga mzunguko thabiti wa tathmini (vichujio + uwekaji wa gati + ukaguzi wa mali + ukaguzi wa kemikali) UPYA AiZynthFinder 4 2020

• Pima matokeo (muda uliookolewa, kiwango cha mapigo, kupunguza upotevu) Waring 2015 (upotevu)

• Unganisha na zana zilizopo (ELN, sajili ya kiwanja, hifadhidata za majaribio) Rasilimali ya ELN ya Edinburgh

• Unda sheria za matumizi (kinachoweza kuulizwa, kinachobaki nje ya mtandao, hatua za ukaguzi) USENIX 2021 (hatari ya uchimbaji data)

• Wafundishe watu kwa upole (kwa uzito, makosa mengi hutokana na matumizi mabaya, si mfumo) Mwongozo wa madaktari (ndoto za ndoto)

Pia, usidharau utamaduni. Ikiwa wanakemia wanahisi kama akili bandia inasukumwa kwao, wataipuuza. Ikiwa itawaokoa muda na kuheshimu utaalamu wao, wataitumia haraka. Wanadamu ni wacheshi kama hao 🙂.

Je, jukumu la AI ya kuzalisha katika Ugunduzi wa Dawa za Kulevya ni lipi unapopunguza matumizi ya dawa za kulevya? 🔭

Ikiondolewa, jukumu si "kubadilisha wanasayansi." Ni "kupanua kipimo data cha kisayansi." Nature 2023 (mapitio ya ugunduzi wa ligand)

Inasaidia timu:

• chunguza nadharia zaidi kwa wiki

• pendekeza miundo zaidi inayopendekezwa kwa kila mzunguko

• kuweka kipaumbele majaribio kwa busara zaidi

• kubana vitanzi vya kurudia kati ya muundo na jaribio

• shiriki maarifa katika mifumo ya silos 2025 (LLM katika ugunduzi wa dawa za kulevya)

Na labda sehemu isiyothaminiwa zaidi: inakusaidia usipoteze ubunifu wa gharama kubwa wa binadamu kwa kazi zinazojirudia. Watu wanapaswa kufikiria kuhusu utaratibu, mkakati, na tafsiri - si kutumia siku kutengeneza orodha tofauti kwa mkono. Nature 2023 (mapitio ya ugunduzi wa ligand)

Kwa hivyo ndiyo, jukumu la AI ya uzalishaji katika Ugunduzi wa Dawa ni kichocheo, jenereta, kichujio, na wakati mwingine mleta matatizo. Lakini ni muhimu.

Muhtasari wa kumalizia 🧾✅

AI ya kuzalisha inazidi kuwa uwezo mkuu katika ugunduzi wa dawa za kisasa kwa sababu inaweza kutoa molekuli, dhana, mfuatano, na njia haraka kuliko wanadamu - na inaweza kusaidia timu kuchagua majaribio bora. Frontiers in Drug Discovery 2024 review Nature 2023 (review of ligand)

Vidokezo vya muhtasari:

• Ni bora zaidi katika ugunduzi wa mapema na uboreshaji wa risasi ⚙️ UPYA 4

• Inasaidia molekuli ndogo na biolojia GENTRL (Nature Biotech 2019) ProtiniMPNN (Sayansi 2022)

• Inaongeza tija kwa kupanua mfumo wa wazo la Nature 2023 (mapitio ya ugunduzi wa ligand)

• Inahitaji vikwazo, uthibitisho, na wanadamu ili kuepuka upuuzi wa kujiamini Kanuni za OECD QSAR Mwongozo wa madaktari (ndoto za ndoto)

• Mafanikio makubwa zaidi yanatokana na ujumuishaji wa mtiririko wa kazi, sio uuzaji kutoka Nature 2023 (mapitio ya ugunduzi wa ligand)

Ukiichukulia kama mshirika - si mtabiri - inaweza kusonga mbele programu kweli. Na ukiichukulia kama mtabiri ... vizuri, unaweza kuishia kufuata GPS hiyo ndani ya ziwa tena. 

Mfano halisi: Kujenga mtiririko wa kazi wa uzalishaji wa molekuli wenye vikwazo vya kwanza 🧪

Hali

Timu ndogo ya kibayoteki ya kubuni lakini inayofanya kazi kwa uhalisia inafanyia kazi shabaha ya ugonjwa wa uchochezi. Tayari wana mapigo 42 yaliyothibitishwa kuwa dhaifu kutokana na uchunguzi, lakini wengi wao hawana umumunyifu mzuri, na wachache wako karibu sana na nafasi ya hati miliki ya mshindani.

Badala ya kuomba modeli inayozalisha "kupata molekuli bora" - ambayo kimsingi ni mwaliko wa kupokea upuuzi wa kifahari - timu inajenga mtiririko wa kazi mgumu kwa ajili ya upanuzi wa matokeo.

Lengo ni rahisi: kuzalisha seti pana zaidi ya analogi, kuzichuja kwa bidii, na kutuma tu wagombea wanaoweza kutetewa zaidi kwenye ukaguzi wa kemia ya kimatibabu.

Kile ambacho msaidizi anahitaji

Timu inatoa mfumo:

wasifu lengwa na taarifa inayojulikana ya ligand

miundo 42 iliyothibitishwa ya migongano

mipaka ya sifa kwa uzito wa molekuli, logP, TPSA, umumunyifu, na kibali kilichotabiriwa

Viunzi vilivyozuiwa na vizingiti vya kufanana kwa ajili ya kuepuka IP

Vichujio vya PAINS na vikundi tendaji Baell & Holloway 2010

Utabiri wa ADMET hukagua ADMEtlab 2.0

ukaguzi wa uwezekano wa usanisi wa nyuma AiZynthFinder 2020

sheria za mapitio ya kibinadamu kwa ajili ya uteuzi wa mwisho

Jambo muhimu: modeli hairuhusiwi kuboresha nguvu yenyewe. Lazima iwianishe nguvu, uhalisia, uwezo wa kuendelezwa, na uwezo wa kusanisi.

Mfano wa maelekezo

Tengeneza mawazo 150 ya analogi kulingana na miundo hii iliyothibitishwa. Weka uzito wa molekuli kati ya 300 na 480, logP iliyotabiriwa kati ya 1.5 na 4.0, TPSA chini ya 110, na epuka viunzi vilivyoziba vilivyoorodheshwa kwenye faili ya IP. Weka kipaumbele kwenye miundo bila arifa za MAUMIVU, bila vikundi tendaji dhahiri, na njia ya usanisi inayowezekana ya hatua tano au chini. Kwa kila molekuli, eleza marekebisho kuu, uboreshaji wa sifa unaokusudiwa, hatari kuu, na kama kiwanja kinapaswa kukataliwa, kupitiwa, au kupewa kipaumbele.

Jinsi ya kuijaribu

Timu haiamini matokeo ya kwanza. Wanaendesha mzunguko mdogo wa tathmini:

Angalia kama molekuli zinazozalishwa zinatii vikwazo vya sifa

Ondoa karibu na nakala na miundo iliyo karibu sana na misombo inayojulikana

Endesha MAUMIVU, kikundi tendaji, na vichujio vya msingi vya kemia ya dawa

Endesha modeli ya pili ya sifa ili kulinganisha utabiri wa ADMET

Waombe wanakemia wawili wajiandikishe kwa kujitegemea kupata alama 30 bora

Tuma orodha fupi pekee ya waliopata alama nyingi zaidi katika mjadala wa usanisi

Swali muhimu la jaribio ni: "Je, bado tungezingatia molekuli hii kama AI isingeipendekeza?"

Jibu linapokuwa hapana, timu huuliza kwa nini. Wakati mwingine hilo hufichua wazo jipya zuri. Wakati mwingine hufichua mawazo ya kutamani yanayoongozwa na mfumo.

Matokeo

Matokeo ya kielelezo pekee - si utafiti halisi wa kampuni.

Kulingana na muda wa kazi za upanuzi wa sampuli tatu, mtiririko wa kazi wa mwongozo ulichukua kama saa 5 kuunda na kuchanganua mawazo 60 ya analogi. Mtiririko wa kazi wa GenAI wa kwanza ulitoa wagombea 150 wa awali katika takriban dakika 55.

Baada ya kuchuja, ni watahiniwa 27 pekee walionusurika kwenye skrini nzima. Kati ya hao, wanakemia waliweka alama 9 kama zenye thamani ya ukaguzi wa kina, 12 kama "za kuvutia lakini zenye hatari", na 6 kama zilizokataliwa baada ya ukaguzi.

Hiyo ina maana kwamba matokeo yenye thamani hayakuwa "molekuli mpya 150". Matokeo yenye thamani yalikuwa wagombea 9 wanaoweza kukaguliwa katika muda wa chini ya saa 1, huku ukaguzi ukiwa wazi ukionyesha ni vikwazo gani kila mgombea alivipitia au alishindwa.

Timu inaweza kuthibitisha hili kwa kufuatilia:

muda unaotumika kwa kila mzunguko wa muundo

idadi ya miundo inayozalishwa

asilimia iliyoondolewa na vichujio

kiwango cha kukubalika kwa kemia

idadi ya watahiniwa waliochaguliwa kwa ajili ya usanisi

nambari iliyothibitishwa baadaye kuwa inafanya kazi katika jaribio

Ni nini kinachoweza kwenda vibaya

Mfano unaweza kuboresha vichujio badala ya kupendekeza kemia yenye ubora wa hali ya juu.

Mgombea anaweza kuonekana bora katika ADMET iliyotabiriwa lakini akashindwa mara moja katika jaribio halisi. Kanuni za uthibitishaji wa OECD QSAR

Mapendekezo ya usanisi wa nyuma yanaweza kuonekana kuwa ya kufaa huku yakitegemea vitendanishi visivyopatikana, hali ngumu, au kemia isiyo salama.

Kichujio kipya kinaweza kuondoa misombo yenye thamani kwa nguvu sana, au kuruhusu molekuli ambazo bado ziko karibu sana na IP inayojulikana.

Kosa kubwa zaidi ni kuichukulia orodha iliyoorodheshwa kama ukweli. Ni orodha ya dhana tu iliyopewa kipaumbele.

Kuchukua kwa vitendo

Matumizi bora ya AI ya kuzalisha katika ugunduzi wa dawa si "bonyeza kitufe, pata dawa". Ni kiwanda cha mawazo kinachodhibitiwa: tengeneza kwa upana, chuja kikatili, andika kila uamuzi, na waache wanasayansi wafanye uamuzi wa mwisho.

Maswali Yanayoulizwa Mara kwa Mara

Jukumu la AI ya uzalishaji ni lipi katika ugunduzi wa dawa?

AI ya kuzalisha kimsingi hupanua njia ya wazo katika ugunduzi wa mapema na uboreshaji wa risasi kwa kupendekeza molekuli zinazohitajika, mfuatano wa protini, njia za usanisi, na nadharia za kibiolojia. Thamani ni "kubadilisha majaribio" kidogo na "kuchagua majaribio bora" zaidi kwa kutoa chaguo nyingi na kisha kuchuja kwa bidii. Inafanya kazi vizuri zaidi kama kichochezi ndani ya mtiririko wa kazi wenye nidhamu, si kama mtu anayejitegemea kufanya maamuzi.

Ni wapi AI ya uzalishaji inafanya kazi vizuri zaidi katika bomba la ugunduzi wa dawa?

Huelekea kutoa thamani kubwa zaidi pale ambapo nafasi ya nadharia ni kubwa na marudio ni ghali, kama vile utambuzi wa matokeo, muundo mpya, na uboreshaji wa risasi. Timu pia huitumia kwa ajili ya triage ya ADMET, mapendekezo ya usanisi wa nyuma, na usaidizi wa fasihi au nadharia. Faida kubwa kwa kawaida hutokana na kuunganisha kizazi na vichujio, alama, na mapitio ya kibinadamu badala ya kutarajia modeli moja kuwa "nadhifu."

Unaweka vipi vikwazo ili mifumo ya uzalishaji isitoe molekuli zisizofaa?

Mbinu ya vitendo ni kufafanua vikwazo kabla ya uzalishaji: safu za sifa (kama vile kuyeyuka au malengo ya logP), sheria za jukwaa au muundo mbadala, sifa za eneo la kufungamana, na mipaka ya uvumbuzi. Kisha tekeleza vichujio vya kemia ya dawa (ikiwa ni pamoja na PAINS/vikundi tendaji) na ukaguzi wa usanisi. Kizazi cha kwanza cha vikwazo husaidia hasa katika muundo wa molekuli wa mtindo wa uenezaji na mifumo kama REINVENT 4, ambapo malengo yenye malengo mengi yanaweza kusimbwa.

Timu zinapaswa kuthibitisha vipi matokeo ya GenAI ili kuepuka ndoto za usiku na kujiamini kupita kiasi?

Chukulia kila matokeo kama dhana, si hitimisho, na uthibitishe kwa kutumia majaribio na mifumo ya orthogonal. Oanisha uzalishaji na uchujaji mkali, kuweka kizimbani au kupata alama inapobidi, na ukaguzi wa kikoa cha utumiaji kwa vitabiri vya mtindo wa QSAR. Fanya kutokuwa na uhakika kuonekane inapowezekana, kwa sababu mifumo inaweza kuwa na makosa kwa ujasiri kwenye kemia ya nje ya usambazaji au madai ya kibiolojia yasiyo thabiti. Mapitio ya kibinadamu katika kitanzi yanabaki kuwa kipengele muhimu cha usalama.

Unawezaje kuzuia uvujaji wa data, hatari ya IP, na matokeo ya "kukariri"?

Tumia udhibiti na vidhibiti vya ufikiaji ili maelezo nyeti ya programu yasiingizwe kwenye vidokezo, na uandike vidokezo/matokeo kwa ajili ya ukaguzi. Tekeleza ukaguzi mpya na ufanano ili wagombea waliozalishwa wasikae karibu sana na misombo inayojulikana au maeneo yaliyolindwa. Weka sheria wazi kuhusu ni data gani inayoruhusiwa katika mifumo ya nje, na unapendelea mazingira yanayodhibitiwa kwa kazi ya unyeti wa hali ya juu. Mapitio ya kibinadamu husaidia kupata mapendekezo "yanayojulikana sana" mapema.

Je, AI ya kuzalisha hutumikaje kwa ajili ya uboreshaji wa risasi na urekebishaji wa vigezo vingi?

Katika uboreshaji wa risasi, AI ya uzalishaji ni muhimu kwa sababu inaweza kupendekeza suluhisho nyingi za mabadilishano badala ya kufuata kiwanja kimoja "kikamilifu". Mifumo ya kazi ya kawaida ni pamoja na pendekezo la analogi, uchanganuzi mbadala unaoongozwa, na kuruka kwa jukwaa wakati vikwazo vya nguvu, sumu, au IP vinazuia maendeleo. Vitabiri vya mali vinaweza kuwa dhaifu, kwa hivyo timu kwa kawaida hupanga wagombea na mifumo mingi na kisha kuthibitisha chaguo bora kwa majaribio.

Je, AI ya uzalishaji inaweza kusaidia katika biolojia na uhandisi wa protini pia?

Ndiyo - timu huitumia kwa ajili ya uzalishaji wa mfuatano wa kingamwili, mawazo ya ukomavu wa mshikamano, maboresho ya uthabiti, na uchunguzi wa kimeng'enya au peptidi. Uzalishaji wa protini/mfuatano unaweza kuonekana kuwa wa kufaa bila kuwa wa kufaa, kwa hivyo ni muhimu kutumia vichujio vya uendelevu, uwezo wa kinga mwilini, na uwezo wa kutengeneza. Vifaa vya kimuundo kama AlphaFold vinaweza kusaidia hoja, lakini "muundo unaowezekana" bado si uthibitisho wa usemi, utendaji kazi, au usalama. Viungo vya maabara ya maji vinabaki kuwa muhimu.

Je, AI ya uzalishaji inasaidiaje upangaji wa usanisi na usanisi wa nyuma?

Wapangaji wa usanisinuru wanaweza kupendekeza njia, vifaa vya kuanzia, na nafasi za njia ili kuharakisha mawazo na kuondoa haraka njia zisizowezekana. Zana na mbinu kama vile upangaji wa mtindo wa AiZynthFinder zinafaa zaidi zinapounganishwa na ukaguzi wa upembuzi wa ulimwengu halisi kutoka kwa wanakemia. Upatikanaji, usalama, vikwazo vya kuongeza ukubwa, na "athari za karatasi" ambazo hushindwa katika utendaji bado zinahitaji uamuzi wa kibinadamu. Kwa njia hii, huokoa muda bila kujifanya kemia imetatuliwa.

Marejeleo

1. Nature - Ligand (2023) - nature.com

2. Bioteknolojia ya Asili - GENTRL (2019) - nature.com

3. Asili - AlphaFold (2021) - nature.com

4. Asili - Usambazaji wa RF (2023) - nature.com

5. Bioteknolojia ya Asili - ProteinGenerator (2024) - nature.com

6. Mawasiliano ya Mazingira - Athari za kundi katika upigaji picha wa seli (2024) - nature.com

7. Dawa ya Kidijitali ya npj - Ugunduzi wa maono + mfumo wa usalama (2025) - nature.com

8. Dawa ya Kidijitali ya npj - Mbinu nyingi katika bioteknolojia (2025) - nature.com

9. Sayansi - ProtiniMPNN (2022) - science.org

10. Mifumo ya Seli - LLM katika ugunduzi wa dawa (2025) - cell.com

11. ScienceDirect (Elsevier) - Mifumo ya kuzalisha dawa katika muundo mpya wa dawa (2024) - sciencedirect.com

12. ScienceDirect (Elsevier) - Vogt (2023): masuala ya uhalisia/upekee - sciencedirect.com

13. Uchambuzi wa Picha za Kimatibabu (ScienceDirect) - AI ya Njia Mbalimbali katika Tiba (2025) - sciencedirect.com

14. PubMed Central - Mwongozo wa Madaktari (hatari ya ndoto) - nih.gov

15. Akaunti za Utafiti wa Kemikali (Machapisho ya ACS) - Nafasi ya Kemikali (2015) - acs.org

16. PubMed Central - Irwin & Shoichet (2009): kipimo cha nafasi ya kemikali - nih.gov

17. Mipaka katika Ugunduzi wa Dawa za Kulevya (PubMed Central) - Mapitio (2024) - nih.gov

18. Jarida la Taarifa na Uundaji wa Mifano ya Kemikali (Machapisho ya ACS) - Mifumo ya Usambazaji katika Ubunifu Mpya wa Dawa (2024) - acs.org

19. PubMed Central - REINVENT 4 (mfumo wazi) - nih.gov

20. PubMed Central - ADMETlab 2.0 (mapema ADMET ni muhimu) - nih.gov

21. OECD - Kanuni za Uthibitishaji kwa Madhumuni ya Udhibiti wa Mifumo ya (Q)SAR - oecd.org

22. OECD - Hati ya mwongozo kuhusu uthibitishaji wa mifumo ya (Q)SAR - oecd.org

23. Akaunti za Utafiti wa Kemikali (Machapisho ya ACS) - Upangaji wa usanisi unaosaidiwa na kompyuta / CASP (Coley, 2018) - acs.org

24. Sayansi Kuu ya ACS (Machapisho ya ACS) - Usanisi wa nyuma unaosaidiwa na kompyuta (Coley, 2017) - acs.org

25. PubMed Central - AiZynthFinder (2020) - nih.gov

26. PubMed - Lipinski: Kanuni ya muktadha wa 5 - nih.gov

27. Jarida la Kemia ya Tiba (Machapisho ya ACS) - Baell & Holloway (2010): PAINS - acs.org

28. PubMed - Waring (2015): kushuka kwa thamani - nih.gov

29. PubMed - Rives (2021): mifumo ya lugha ya protini - nih.gov

30. PubMed Central - Leek et al. (2010): athari za kundi - nih.gov

31. PubMed Central - Mapitio ya Usambazaji (2025) - nih.gov

32. FDA - E14 na S7B: tathmini ya kimatibabu na isiyo ya kimatibabu ya uongezaji wa muda wa QT/QTc na uwezo wa proarrhythmic (Maswali na Majibu) - fda.gov

33. wa Wakala wa Dawa wa Ulaya - Mwongozo wa ICH E14/S7B - europa.eu

34. USENIX - Carlini et al. (2021): kutoa data ya mafunzo kutoka kwa mifumo ya lugha - usenix.org

35. Chuo Kikuu cha Edinburgh – Huduma za Utafiti wa Kidijitali - Rasilimali ya daftari la maabara ya kielektroniki (ELN) - ed.ac.uk

36. ScienceDirect (Elsevier) - Weaver (2008): Eneo la matumizi la QSAR - sciencedirect.com