Un modèle d’apprentissage en profondeur prêt à l’emploi pour prédire les propriétés pharmaceutiques

MolMapNet: un modèle d'apprentissage en profondeur prêt à l'emploi pour prédire les propriétés pharmaceutiques

L’outil innovant d’IA MolMapNet prêt à l’emploi des chercheurs pour la prédiction d’apprentissage en profondeur des propriétés pharmaceutiques. À partir d’une molécule (en haut à droite), ses propriétés moléculaires (telles que les composants moléculaires sous la molécule) sont projetées sur une plaque 2D (plaque supérieure de la structure multi-plaques) sous forme d’image, une IA reconnaissant l’image (le multi- structure de la plaque) lit les pixels de l’image pour reconnaître les indicateurs de propriétés pharmaceutiques, puis prédire (deux couches d’abeilles interconnectées sous la structure multi-plaques) les propriétés pharmaceutiques (médicament et flacon en bas à gauche). La boîte ouverte (en bas à droite) indique que l’outil AI peut être utilisé par des non-experts hors de la boîte. Crédit: Shen et al.

Au cours des dernières décennies, les informaticiens ont développé des outils d’apprentissage en profondeur pour une grande variété d’applications, y compris pour l’analyse de médicaments pharmaceutiques. Plus récemment, des modèles d’apprentissage en profondeur qui prédisent les propriétés des produits pharmaceutiques ont été formés pour analyser et apprendre les représentations moléculaires.

Des chercheurs de l’Université Tsinghua, de l’Université nationale de Singapour, de l’école de pharmacie de l’Université Fudan et de l’Université Zheijang ont récemment développé MolMapNet, un nouvel outil d’intelligence artificielle (IA) qui peut prédire les propriétés pharmaceutiques des médicaments en analysant les représentations moléculaires basées sur la connaissance humaine. . Cet outil, présenté dans un article publié dans Intelligence artificielle de la nature, peut également être utilisé par des personnes ayant peu ou pas de connaissances en informatique, en biologie ou en d’autres sciences.

« Nous étions conscients que les investigations pharmaceutiques nécessitent l’apprentissage de nombreux caractères moléculaires, en particulier la riche collection de propriétés moléculaires (comme le volume) dérivées des connaissances humaines, mais ces propriétés moléculaires sont difficiles à apprendre par l’IA (intelligence artificielle) », Yu Zong Chen , l’un des chercheurs qui a mené l’étude, a déclaré à TechXplore.

Alors que les outils d’IA sont généralement bons pour reconnaître les images qui sont spatialement ordonnées (par exemple, des images d’objets), ils ne fonctionnent pas aussi bien sur des données non ordonnées telles que les propriétés moléculaires. Cette caractéristique altère considérablement leurs performances lors de l’analyse des produits pharmaceutiques. Chen et ses collègues voulaient surmonter cette limitation afin d’améliorer les performances des modèles d’apprentissage en profondeur pour la prédiction des propriétés pharmaceutiques.

« Avec des données pharmaceutiques limitées, il est difficile d’améliorer les architectures d’IA », a déclaré Chen. « Nous avons demandé si nous pouvions améliorer la façon dont l’IA lit les propriétés moléculaires. Notre solution consiste à mapper des propriétés moléculaires non ordonnées en images ordonnées pour que l’IA reconnaisse plus efficacement les propriétés moléculaires. »

Cet outil d’IA innovant prêt à l’emploi ne nécessite pas de réglage fin des paramètres, ce qui signifie qu’il est également accessible aux utilisateurs non experts. Fait remarquable, les chercheurs ont constaté qu’il surpassait les outils d’IA de pointe sur la plupart des 26 ensembles de données de référence pharmaceutiques.

« Notre approche suit trois étapes pour améliorer la prédiction d’apprentissage en profondeur des propriétés pharmaceutiques », a déclaré Chen. « La première étape consiste à apprendre de manière générale les relations intrinsèques des propriétés moléculaires de plus de 8 millions de molécules. Ces relations peuvent être liées et donc des indicateurs de diverses propriétés pharmaceutiques. »

La deuxième étape de l’approche implique l’utilisation d’une technique de transformation de données nouvellement développée pour cartographier les propriétés moléculaires des produits pharmaceutiques en images 2D, où les dispositions de pixels reflètent les relations intrinsèques entre ces propriétés. Ces mises en page de pixels contiennent des indicateurs cruciaux des propriétés pharmaceutiques qui peuvent être capturées par des modèles d’apprentissage en profondeur correctement formés.

Dans une troisième étape, les chercheurs ont formé un outil de reconnaissance d’images pour apprendre les images 2D et les utiliser pour prédire les propriétés pharmaceutiques. L’outil d’IA peut capturer des modèles de disposition de pixels spécifiques qui caractérisent des propriétés pharmaceutiques spécifiques, de la même manière que les techniques d’IA peuvent distinguer les hommes et les femmes dans une image en regardant la longueur des cheveux ou d’autres caractéristiques liées au sexe.

« Il y a deux réalisations notables de notre étude », a déclaré Chen. «Le premier est l’introduction d’une nouvelle méthode de cartographie des propriétés moléculaires non ordonnées dans des images ordonnées qui présentent les relations intrinsèques des propriétés moléculaires. Le second est le développement d’un outil innovant d’IA prêt à l’emploi pour la prédiction en propriétés pharmaceutiques par des non-experts avec des performances de pointe. « 

À l’avenir, le modèle d’apprentissage en profondeur prêt à l’emploi pourrait considérablement accélérer la recherche pharmaceutique, aidant les scientifiques à prédire les propriétés de différents médicaments plus rapidement et plus efficacement. Dans leurs prochaines études, Chen et ses collègues prévoient de développer davantage leur modèle, afin qu’il puisse également être appliqué aux études biomédicales.


Des simulations pour une meilleure compréhension du transport électrocinétique


Plus d’information:
Prédiction d’apprentissage en profondeur prête à l’emploi des propriétés pharmaceutiques par des représentations moléculaires basées sur les connaissances largement acquises. Intelligence artificielle de la nature(2021). DOI: 10.1038 / s42256-021-00301-6

© Réseau Science X 2021

Citation: MolMapNet: Un modèle d’apprentissage en profondeur prêt à l’emploi pour prédire les propriétés pharmaceutiques (2021, 30 mars) récupéré le 14 avril 2021 sur https://techxplore.com/news/2021-03-molmapnet-out-of-the -box-deep-pharma-properties.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.