数日で構築された機械学習用カスタムトレーニングデータセット

Selvita社は、CASカスタムサービスにオーダーメイドのソリューションを求めました。CASのソリューションコンサルタントは、Selvita社の計算化学者と連携し、まずデータセットの要件を定義した上で、チームの目標に合致する最適なフォーマットを決定しました。続いてCASのデータスペシャリストが、人間がキュレーションしたCAS Content Collection™を検索し、各ターゲット反応タイプに関連する情報を特定・抽出しました。これにより、数ヶ月を要する恐れがあったデータクリーニングの負担を大幅に軽減しました。

データセットが信頼性の高いモデルトレーニングに必要な品質基準を満たすよう、CASのコンテンツコンサルタントと専門の化学者が、高度な自動化ツールを用いて各エントリの品質保証を行いました。CASは数日以内に、鈴木・宮浦カップリング反応用に40万件、アミドカップリング反応用に20万件の検証済みデータセットを提供しました。Selvita社はこれらのキュレーション済みデータセットを使用し、一般的な試薬、溶媒、触媒を分類・ランク付けするフィルターを適用することで、並列合成に必要なクラスターを作成しました。

モデルはまず、確保しておいたテストセットで検証されました。さらにSelvita社のチームは、これまで一度も実施されたことのない一連の反応において、モデルと熟練化学者を直接対決させました。数時間のうちに、モデルは化学者が1週間以上かけて導き出した選択を上回る最適な条件を特定しました。これらの実世界での結果により、効率的な合成に向けて反応条件を確実に予測するモデルの能力が実証されました。

より優れたデータが加速させる創薬研究

CASとの提携により、Selvita社は数ヶ月に及ぶ手作業のデータ処理や、信頼性の低いトレーニングセットに起因するコストのかかる試行錯誤を回避しました。チームは直ちにモデルの開発と検証へと移行し、不可欠な有機合成ワークフローを合理化するとともに、製薬パートナー に対してより迅速かつ効率的な創薬ソリューションを提供する能力を強化しました。このプロジェクトは、最初から適切なデータ基盤を持つことの大きな影響を実証しました。