


Identifizieren Sie automatisch die besten Moleküle und reduzieren Sie die Synthesekosten. Das MIT entwickelt ein Algorithmus-Framework für die Entscheidungsfindung im molekularen Design
Herausgeber |. Ziluo
Der Einsatz von KI zur Rationalisierung der Arzneimittelforschung nimmt explosionsartig zu. Durchsuchen Sie Milliarden von Kandidatenmolekülen nach solchen, die möglicherweise über Eigenschaften verfügen, die für die Entwicklung neuer Medikamente erforderlich sind. Es sind so viele Variablen zu berücksichtigen, von Materialpreisen bis hin zum Fehlerrisiko, dass es keine leichte Aufgabe ist, die Kosten für die Synthese der besten Kandidatenmoleküle abzuwägen, selbst wenn Wissenschaftler KI einsetzen.
Hier entwickelten MIT-Forscher SPARROW, ein quantitatives Entscheidungsalgorithmus-Framework, um automatisch die besten molekularen Kandidaten zu identifizieren und so die Synthesekosten zu minimieren und gleichzeitig die Wahrscheinlichkeit zu maximieren, dass der Kandidat die gewünschten Eigenschaften aufweist. Der Algorithmus identifizierte auch die Materialien und experimentellen Schritte, die zur Synthese dieser Moleküle erforderlich sind.
SPARROW berücksichtigt die Kosten für die gleichzeitige Synthese einer Reihe von Molekülen, da häufig mehrere Kandidatenmoleküle aus einigen der gleichen Verbindungen abgeleitet werden können. Darüber hinaus ermöglicht dieser einheitliche Ansatz den Zugriff auf wichtige Informationen für das molekulare Design, die Vorhersage von Eigenschaften und die Syntheseplanung aus Online-Repositories und weit verbreiteten KI-Tools.
SPARROW hilft Pharmaunternehmen nicht nur dabei, neue Medikamente effizienter zu entdecken, sondern kann auch zur Erfindung neuer Agrarchemikalien oder zur Entdeckung spezieller Materialien für die organische Elektronik eingesetzt werden.
Relevante Forschung mit dem Titel „Ein algorithmischer Rahmen für synthetische kostenbewusste Entscheidungsfindung im molekularen Design“ wurde am 19. Juni auf „Nature Computational Science“ veröffentlicht.
Link zum Papier: https://www.nature.com/articles/s43588-024-00639-y
„Die Auswahl von Verbindungen ist eine Kunst, und manchmal ist es eine sehr erfolgreiche Kunst. Aber gegeben.“ „Da wir über all diese Modelle und Vorhersagetools verfügen, die Informationen darüber liefern, wie sich Moleküle verhalten und synthetisiert werden könnten, sollten wir diese Informationen als Leitfaden für unsere Entscheidungen nutzen“, sagte Connor, korrespondierender Autor des Artikels und Assistenzprofessor in der Abteilung für Chemieingenieurwesen am MIT, sagte Coley.
Quantitativer Entscheidungsalgorithmus-Framework SPARROW
„Synthesis Planning And Rewards-based Route Optimization Workflow, SPARROW“ ist ein algorithmischer Entscheidungsrahmen, der zur Steuerung des Designzyklus verwendet wird.
Abbildung: Überblick über SPARROW und seine Rolle im molekularen Designzyklus. (Quelle: Papier)
Diese Forschung baut auf früheren Problemformulierungen für die gleichzeitige Auswahl von Synthesewegen für mehrere Moleküle und die Integration von Produkt- und Prozesssystemdesign auf. Im Gegensatz zu herkömmlichen Screening-Methoden verwendet SPARROW ein Optimierungskriterium mit mehreren Zielen, das Kosten und Nutzen abwägt, um Moleküle und ihre mutmaßlichen Syntheserouten aus einer Bibliothek von Kandidatenmolekülen zu priorisieren.
SPARROW generiert ein Reaktionsnetzwerk bestehend aus möglichen Zielmolekülen und Synthesewegen. Durch die Lösung graphbasierter Optimierungsprobleme kann eine Reihe von Molekülen und Syntheserouten überprüft werden, um die kumulativen Synthesekosten und den Nutzen optimal auszubalancieren. In diesem Zusammenhang misst der Nutzen den Wert der Beurteilung einer molekularen Eigenschaft.
Geeignete Nutzenmaße variieren je nach Anwendungs- und Designphase. Dazu können Vorhersagen molekularer Eigenschaften, Unsicherheiten in diesen Vorhersagen oder das Potenzial neuer Datenpunkte zur Verbesserung von Struktur-Eigenschafts-Beziehungen gehören. SPARROW muss eine Kandidatenbibliothek mit einer entsprechenden Belohnung zur Verfügung gestellt werden, die den mit jedem Kandidatenmolekül verbundenen Nutzen angibt.
Illustration: SPARROWs Problemstellung. (Quelle: Paper)
Die Belohnung für die Auswahl eines Moleküls hängt auch vom Erfolg der gewählten Reaktionsschritte zur Synthese dieses Moleküls ab. Wenn ein Reaktionsschritt im Syntheseweg eines Kandidatenmoleküls fehlschlägt, werden keine Informationen gewonnen. Die Forscher formalisierten dies, indem sie die erwartete Belohnung für die Auswahl eines Kandidatenmoleküls maximierten, die als Belohnung multipliziert mit der Wahrscheinlichkeit einer erfolgreichen Synthese dieses Moleküls ausgedrückt werden kann.
Unter Berücksichtigung von Kosten und Nutzen kann das Ziel von SPARROW als erwartete Belohnung aller ausgewählten Ziele dividiert durch die Kosten für die Synthese aller ausgewählten Ziele mithilfe der ausgewählten Route formalisiert werden.
Komplexe Kostenüberlegungen
In gewissem Sinne hängt die Frage, ob Wissenschaftler ein bestimmtes Molekül synthetisieren und testen sollten, von den Kosten der Synthese im Vergleich zum Wert des Experiments ab. Allerdings ist die Bestimmung von Kosten oder Wert an sich schon ein schwieriges Problem.
SPARROW begegnet dieser Herausforderung, indem es die gemeinsamen Zwischenverbindungen berücksichtigt, die an der Synthese eines Moleküls beteiligt sind, und diese Informationen in seine Kosten-Wert-Funktion einbezieht.
„Wenn man über das Optimierungsproblem beim Entwurf einer Reihe von Molekülen nachdenkt, hängen die Kosten für das Hinzufügen neuer Strukturen von den Molekülen ab, die man bereits ausgewählt hat“, sagte Coley.
Das Framework berücksichtigt auch Faktoren wie die Kosten der Ausgangsmaterialien, die Anzahl der an jedem Syntheseweg beteiligten Reaktionen und die Wahrscheinlichkeit, dass diese Reaktionen beim ersten Versuch erfolgreich sind.
Um SPARROW nutzen zu können, stellen Wissenschaftler eine Reihe molekularer Verbindungen bereit, die sie testen möchten, zusammen mit Definitionen der Eigenschaften, die sie finden möchten.
Als nächstes sammelt SPARROW Informationen über die Moleküle und ihre Synthesewege und wägt dann den Wert jedes Moleküls gegen die Kosten für die Synthese einer Reihe von Kandidaten ab. Es wählt automatisch die beste Teilmenge der Kandidaten aus, die die Benutzerkriterien erfüllen, und findet die kostengünstigsten Syntheserouten für diese Verbindungen.
Jenna Fromer, die Erstautorin des Papiers, sagte: „Es führt alle diese Optimierungen in einem Schritt durch, sodass alle konkurrierenden Ziele gleichzeitig erfasst werden können.“
SPARROW ist ein multifunktionales Framework.“ Einzigartig darin, dass es integriert werden kann. Von Menschen entworfene molekulare Strukturen, die in virtuellen Katalogen existieren, oder nie zuvor gesehene molekulare Strukturen, die durch generative KI-Modelle erstellt wurden.
„Wir haben eine Vielzahl unterschiedlicher Ideenquellen. Ein Teil des Reizes von SPARROW besteht darin, dass man alle diese Ideen auf Augenhöhe bringen kann“, fügte Coley hinzu. Forscher demonstrieren anhand von drei Fallstudien die Fähigkeit von SPARROW, molekulare Designzyklen zu orchestrieren. Diese Anwendungen veranschaulichen, wie SPARROW (1) den Informationsgewinn erfolgreich mit den Synthesekosten ausgleicht, (2) die Nichtadditivität der Synthesekosten für eine Charge von Molekülen erfasst und (3) auf Kandidatenbibliotheken mit Hunderten von Molekülen skaliert.Abbildung: Demonstration der Fähigkeit von SPARROW, Kosten und Nutzen in einer Bibliothek von 14 ASCT2-Inhibitorkandidaten auszugleichen. (Quelle: Papier)
https://news.mit.edu/2024/smarter-way-streamline-drug-discovery-0617
Das obige ist der detaillierte Inhalt vonIdentifizieren Sie automatisch die besten Moleküle und reduzieren Sie die Synthesekosten. Das MIT entwickelt ein Algorithmus-Framework für die Entscheidungsfindung im molekularen Design. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen











In der modernen Fertigung ist die genaue Fehlererkennung nicht nur der Schlüssel zur Sicherstellung der Produktqualität, sondern auch der Kern für die Verbesserung der Produktionseffizienz. Allerdings mangelt es vorhandenen Datensätzen zur Fehlererkennung häufig an der Genauigkeit und dem semantischen Reichtum, die für praktische Anwendungen erforderlich sind, was dazu führt, dass Modelle bestimmte Fehlerkategorien oder -orte nicht identifizieren können. Um dieses Problem zu lösen, hat ein Spitzenforschungsteam bestehend aus der Hong Kong University of Science and Technology Guangzhou und Simou Technology innovativ den „DefectSpectrum“-Datensatz entwickelt, der eine detaillierte und semantisch reichhaltige groß angelegte Annotation von Industriedefekten ermöglicht. Wie in Tabelle 1 gezeigt, bietet der Datensatz „DefectSpectrum“ im Vergleich zu anderen Industriedatensätzen die meisten Fehleranmerkungen (5438 Fehlerproben) und die detaillierteste Fehlerklassifizierung (125 Fehlerkategorien).

Die offene LLM-Community ist eine Ära, in der hundert Blumen blühen und konkurrieren. Sie können Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 und viele andere sehen hervorragende Darsteller. Allerdings weisen offene Modelle im Vergleich zu den proprietären Großmodellen GPT-4-Turbo in vielen Bereichen noch erhebliche Lücken auf. Zusätzlich zu allgemeinen Modellen wurden einige offene Modelle entwickelt, die sich auf Schlüsselbereiche spezialisieren, wie etwa DeepSeek-Coder-V2 für Programmierung und Mathematik und InternVL für visuelle Sprachaufgaben.

Herausgeber |KX Bis heute sind die durch die Kristallographie ermittelten Strukturdetails und Präzision, von einfachen Metallen bis hin zu großen Membranproteinen, mit keiner anderen Methode zu erreichen. Die größte Herausforderung, das sogenannte Phasenproblem, bleibt jedoch die Gewinnung von Phaseninformationen aus experimentell bestimmten Amplituden. Forscher der Universität Kopenhagen in Dänemark haben eine Deep-Learning-Methode namens PhAI entwickelt, um Kristallphasenprobleme zu lösen. Ein Deep-Learning-Neuronales Netzwerk, das mithilfe von Millionen künstlicher Kristallstrukturen und den entsprechenden synthetischen Beugungsdaten trainiert wird, kann genaue Elektronendichtekarten erstellen. Die Studie zeigt, dass diese Deep-Learning-basierte Ab-initio-Strukturlösungsmethode das Phasenproblem mit einer Auflösung von nur 2 Angström lösen kann, was nur 10 bis 20 % der bei atomarer Auflösung verfügbaren Daten im Vergleich zur herkömmlichen Ab-initio-Berechnung entspricht

Für KI ist die Mathematikolympiade kein Problem mehr. Am Donnerstag hat die künstliche Intelligenz von Google DeepMind eine Meisterleistung vollbracht: Sie nutzte KI, um meiner Meinung nach die eigentliche Frage der diesjährigen Internationalen Mathematikolympiade zu lösen, und war nur einen Schritt davon entfernt, die Goldmedaille zu gewinnen. Der IMO-Wettbewerb, der gerade letzte Woche zu Ende ging, hatte sechs Fragen zu Algebra, Kombinatorik, Geometrie und Zahlentheorie. Das von Google vorgeschlagene hybride KI-System beantwortete vier Fragen richtig und erzielte 28 Punkte und erreichte damit die Silbermedaillenstufe. Anfang dieses Monats hatte der UCLA-Professor Terence Tao gerade die KI-Mathematische Olympiade (AIMO Progress Award) mit einem Millionenpreis gefördert. Unerwarteterweise hatte sich das Niveau der KI-Problemlösung vor Juli auf dieses Niveau verbessert. Beantworten Sie die Fragen meiner Meinung nach gleichzeitig. Am schwierigsten ist es meiner Meinung nach, da sie die längste Geschichte, den größten Umfang und die negativsten Fragen haben

Im Jahr 2023 entwickeln sich fast alle Bereiche der KI in beispielloser Geschwindigkeit weiter. Gleichzeitig verschiebt die KI ständig die technologischen Grenzen wichtiger Bereiche wie der verkörperten Intelligenz und des autonomen Fahrens. Wird der Status von Transformer als Mainstream-Architektur großer KI-Modelle durch den multimodalen Trend erschüttert? Warum ist die Erforschung großer Modelle auf Basis der MoE-Architektur (Mixture of Experts) zu einem neuen Trend in der Branche geworden? Können Large Vision Models (LVM) ein neuer Durchbruch im allgemeinen Sehvermögen sein? ...Aus dem PRO-Mitglieder-Newsletter 2023 dieser Website, der in den letzten sechs Monaten veröffentlicht wurde, haben wir 10 spezielle Interpretationen ausgewählt, die eine detaillierte Analyse der technologischen Trends und industriellen Veränderungen in den oben genannten Bereichen bieten, um Ihnen dabei zu helfen, Ihre Ziele in der Zukunft zu erreichen Jahr vorbereitet sein. Diese Interpretation stammt aus Week50 2023

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber | KX-Retrosynthese ist eine entscheidende Aufgabe in der Arzneimittelforschung und organischen Synthese, und KI wird zunehmend eingesetzt, um den Prozess zu beschleunigen. Bestehende KI-Methoden weisen eine unbefriedigende Leistung und eine begrenzte Vielfalt auf. In der Praxis verursachen chemische Reaktionen häufig lokale molekulare Veränderungen mit erheblichen Überschneidungen zwischen Reaktanten und Produkten. Davon inspiriert schlug das Team von Hou Tingjun an der Zhejiang-Universität vor, die einstufige retrosynthetische Vorhersage als eine Aufgabe zur Bearbeitung molekularer Ketten neu zu definieren und dabei die Zielmolekülkette iterativ zu verfeinern, um Vorläuferverbindungen zu erzeugen. Außerdem wird ein bearbeitungsbasiertes retrosynthetisches Modell EditRetro vorgeschlagen, mit dem qualitativ hochwertige und vielfältige Vorhersagen erzielt werden können. Umfangreiche Experimente zeigen, dass das Modell beim Standard-Benchmark-Datensatz USPTO-50 K eine hervorragende Leistung mit einer Top-1-Genauigkeit von 60,8 % erzielt.

Herausgeber | ScienceAI Basierend auf begrenzten klinischen Daten wurden Hunderte medizinischer Algorithmen genehmigt. Wissenschaftler diskutieren darüber, wer die Werkzeuge testen soll und wie dies am besten geschieht. Devin Singh wurde Zeuge, wie ein pädiatrischer Patient in der Notaufnahme einen Herzstillstand erlitt, während er lange auf eine Behandlung wartete, was ihn dazu veranlasste, den Einsatz von KI zu erforschen, um Wartezeiten zu verkürzen. Mithilfe von Triage-Daten aus den Notaufnahmen von SickKids erstellten Singh und Kollegen eine Reihe von KI-Modellen, um mögliche Diagnosen zu stellen und Tests zu empfehlen. Eine Studie zeigte, dass diese Modelle die Zahl der Arztbesuche um 22,3 % verkürzen können und die Verarbeitung der Ergebnisse pro Patient, der einen medizinischen Test benötigt, um fast drei Stunden beschleunigt. Der Erfolg von Algorithmen der künstlichen Intelligenz in der Forschung bestätigt dies jedoch nur
