Modelos de IA e aprendizado de máquina auxiliam no planejamento retrossintético, mas são limitados pelos dados de treinamento que já processaram. Continue lendo para saber como gerar previsões inovadoras, garantindo que seus dados tenham a diversidade e a qualidade necessárias para otimizar iniciativas essenciais de planejamento sintético.
A evolução de moléculas de medicamentos existentes tem sido a pedra angular da inovação na descoberta de fármacos. No entanto, ao olharmos para o futuro, pequenas moléculas estruturalmente inovadoras podem se mostrar terapias mais valiosas do que adaptações de medicamentos atuais. Com 65% dos medicamentos de pequenas moléculas aprovados em 2020 sendo estruturalmente inovadores, essas moléculas têm 2,5 vezes mais chances de serem designadas como terapias inovadoras pelo FDA, e 2 vezes mais chances de se tornarem medicamentos de grande sucesso nos 5 anos após o lançamento.
Sintetizar moléculas inovadoras, no entanto, não é uma tarefa fácil. Ferramentas de previsão retrossintética estão se tornando vitais para o design de novas abordagens e a otimização da eficiência de produção. Essas ferramentas aproveitam sistematicamente pesquisas atualizadas de todo o mundo para permitir resultados mais rápidos no mercado. A economia de custos em todo o pipeline de desenvolvimento também pode ser alcançada ao construir moléculas com restrições específicas, como preço ou fornecedores.
A aplicação bem-sucedida da IA na síntese química é limitada pela qualidade e diversidade dos dados, cuja falta prejudica a precisão das previsões. Isso foi demonstrado em nossa colaboração recente, onde a Bayer buscava otimizar o uso de IA para a retrossíntese de pequenas moléculas inovadoras. Ao enriquecer seu conjunto de treinamento existente com nossos dados de reação diversos e de alta qualidade, conseguimos ajudar a melhorar a precisão das previsões geradas para classes de reação raras em 32 pontos percentuais.
Dados diversos e precisos impulsionam o sucesso dos modelos de IA
No planejamento de síntese química, o objetivo é gerar conjuntos de rotas sintéticas que sejam o mais diversas e precisas possível. No entanto, as aplicações de IA são tão boas quanto os dados subjacentes. O poder preditivo depende da qualidade, diversidade e precisão dos dados de treinamento. Um desafio fundamental é a diversidade de dados, pois se os dados de treinamento não representarem subespaços químicos pouco povoados, além da química comum, a aplicação de IA entregará resultados limitados em escopo e inovação.
As Reações CAS oferecem uma gama diversificada de dados de reação que podem impactar significativamente o poder preditivo do planejamento de síntese. A coleção, que mais que dobrou de tamanho nos últimos dez anos, organiza as informações químicas mais robustas e detalhadas de patentes, periódicos e publicações científicas de todo o mundo. Essa curadoria é contínua e ocorre em conjunto com o aprendizado de máquina para capacitar e enriquecer o planejamento de síntese por IA.
Bayer e CAS colaboram para maximizar a IA para uma descoberta de medicamentos mais eficiente
Em uma colaboração entre a Bayer e a CAS, um amplo conjunto de treinamento de aprendizado de máquina foi enriquecido com dados da CAS focados em tipos de reação raros para aumentar drasticamente o poder preditivo do modelo de IA de descoberta de medicamentos.
O modelo compreendeu um filtro de viabilidade consistindo em uma rede neural que estima se uma etapa de reação prevista provavelmente será bem-sucedida. A rede foi treinada em um conjunto de dados de reações conhecidas e um conjunto predominantemente teórico de reações fracassadas. Um conjunto de dados de treinamento adicional foi criado com dados da CAS para quantificar a capacidade preditiva do filtro de viabilidade. A adição das reações da CAS aumentou a precisão em classes de reação raras de 16% para 48%, um aumento de 32 pontos percentuais.
Melhorias na precisão do filtro de viabilidade têm um efeito multiplicador no pipeline, criando uma taxa maior de reações utilizáveis. Esse poder preditivo aprimorado abre categorias "raras" que antes escapavam aos modelos preditivos, contribuindo com resultados inovadores que lançam luz sobre as áreas sombrias da descoberta de pequenas moléculas.
Este estudo demonstra que até mesmo um conjunto de tamanho moderado de reações curadas por cientistas da CAS Content CollectionTM pode melhorar significativamente o poder preditivo de uma ferramenta de planejamento de síntese. Esse efeito foi observado em apenas uma pequena classe de reações, sugerindo que um poder preditivo ainda maior seria visto com o aumento adicional do conjunto de treinamento base com dados sólidos, de alta qualidade e diversos em todos os modelos. Esta impressionante prova de conceito tem amplas aplicações, principalmente para uma descoberta mais eficiente de novos alvos de pequenas moléculas.
- Veja a apresentação recente do Dr. Yugal Sharma, da CAS, e do Dr. Martin Villalba, da Bayer, na Conferência Virtual da Pistoia Alliance
- Baixe o whitepaper: Prevendo a nova química: O impacto de dados de treinamento de alta qualidade na previsão de resultados de reação
A CAS pode otimizar seus resultados
O CAS Custom ServicesSM pode projetar conjuntos de dados de treinamento para impulsionar seus esforços de aprendizado de máquina. Entre em contato com nossa equipe para discutir seus requisitos e melhorar sua precisão preditiva.