Peranti teknologi
AI
Mengenal pasti molekul terbaik secara automatik dan mengurangkan kos sintesis MIT membangunkan rangka kerja algoritma pembuatan keputusan reka bentuk molekul
Mengenal pasti molekul terbaik secara automatik dan mengurangkan kos sintesis MIT membangunkan rangka kerja algoritma pembuatan keputusan reka bentuk molekul
Editor |. Ziluo
Penggunaan AI untuk menyelaraskan penemuan dadah semakin meletup. Skrin berbilion molekul calon untuk mereka yang mungkin mempunyai sifat yang diperlukan untuk membangunkan ubat baharu. Terdapat begitu banyak pembolehubah untuk dipertimbangkan, daripada harga material kepada risiko kesilapan, sehingga menimbang kos mensintesis molekul calon terbaik bukanlah tugas yang mudah, walaupun saintis menggunakan AI.
Di sini, penyelidik MIT membangunkan SPARROW, rangka kerja algoritma keputusan kuantitatif, untuk mengenal pasti calon molekul terbaik secara automatik, dengan itu meminimumkan kos sintesis sambil memaksimumkan kemungkinan calon mempunyai sifat yang diingini. Algoritma juga menentukan bahan dan langkah eksperimen yang diperlukan untuk mensintesis molekul ini.
SPARROW mengambil kira kos mensintesis sekumpulan molekul sekaligus, kerana berbilang molekul calon selalunya boleh diperoleh daripada beberapa sebatian yang sama. Selain itu, pendekatan bersatu ini membolehkan akses kepada maklumat kritikal untuk reka bentuk molekul, ramalan sifat dan perancangan sintesis daripada repositori dalam talian dan alatan AI yang digunakan secara meluas.
Selain membantu syarikat farmaseutikal menemui ubat baharu dengan lebih cekap, SPARROW juga boleh digunakan untuk mencipta bahan kimia pertanian baharu atau menemui bahan khusus untuk elektronik organik.
Penyelidikan berkaitan bertajuk "Rangka kerja algoritma untuk membuat keputusan sedar kos sintetik dalam reka bentuk molekul" telah diterbitkan pada "Nature Computational Science" pada 19 Jun.
Pautan kertas: https://www.nature.com/articles/s43588-024-00639-y
"Pemilihan sebatian adalah seni, dan kadangkala ia adalah seni yang sangat berjaya. Tetapi memandangkan bahawa kita mempunyai semua model dan alat ramalan yang memberikan maklumat tentang bagaimana molekul mungkin berkelakuan dan disintesis, kita harus menggunakan maklumat itu untuk membimbing keputusan yang kita buat," kata Connor, pengarang kertas yang sepadan dan penolong profesor di Jabatan Kejuruteraan Kimia di MIT Coley berkata.
Rangka kerja algoritma membuat keputusan kuantitatif SPARROW
"Perancangan Sintesis Dan Aliran Kerja Pengoptimuman Laluan Berasaskan Ganjaran, SPARROW" ialah rangka kerja membuat keputusan algoritma yang digunakan untuk memacu kitaran reka bentuk.
Ilustrasi: Gambaran keseluruhan SPARROW dan peranannya dalam kitaran reka bentuk molekul. (Sumber: kertas)
Penyelidikan ini membina rumusan masalah awal untuk pemilihan serentak laluan sintetik untuk berbilang molekul, dan penyepaduan reka bentuk sistem produk dan proses. Tidak seperti kaedah saringan tradisional, SPARROW menggunakan kriteria pengoptimuman berbilang objektif yang mengimbangi kos dan utiliti untuk mengutamakan molekul dan laluan sintetik yang diduga daripada perpustakaan molekul calon.
SPARROW menjana rangkaian tindak balas yang terdiri daripada molekul sasaran calon dan laluan sintetik. Dengan menyelesaikan masalah pengoptimuman berasaskan graf, satu set molekul dan laluan sintetik boleh disaring untuk mengimbangi kos dan utiliti sintetik kumulatif secara optimum. Dalam konteks ini, utiliti mengukur nilai menilai sifat molekul.
Langkah utiliti yang sesuai akan berbeza-beza pada peringkat aplikasi dan reka bentuk yang berbeza. Ia mungkin termasuk ramalan sifat molekul, ketidakpastian dalam ramalan ini atau potensi titik data baharu untuk memperbaik hubungan struktur-sifat. Perpustakaan calon mesti diberikan kepada SPARROW dengan ganjaran sepadan yang menunjukkan utiliti yang dikaitkan dengan setiap molekul calon.
Ilustrasi: Pernyataan masalah SPARROW. (Sumber: Kertas)
Ganjaran untuk memilih molekul juga bergantung pada kejayaan langkah tindak balas yang dipilih untuk mensintesis molekul tersebut. Jika langkah tindak balas dalam laluan sintetik molekul calon gagal, tiada maklumat diperoleh. Para penyelidik memformalkan ini dengan memaksimumkan ganjaran yang diharapkan untuk memilih molekul calon, yang boleh dinyatakan sebagai ganjarannya didarabkan dengan kebarangkalian berjaya mensintesis molekul.
Mengimbangi kos dan utiliti, matlamat SPARROW boleh diformalkan sebagai ganjaran yang dijangkakan untuk semua matlamat yang dipilih dibahagikan dengan kos mensintesis semua matlamat yang dipilih menggunakan laluan yang dipilih.
Pertimbangan kos yang rumit
Dari satu segi, sama ada saintis perlu mensintesis dan menguji molekul tertentu datang kepada persoalan tentang kos sintesis berbanding nilai eksperimen. Walau bagaimanapun, menentukan kos atau nilai adalah masalah yang sukar dengan sendirinya.
SPARROW menangani cabaran ini dengan mengambil kira sebatian perantaraan dikongsi yang terlibat dalam mensintesis molekul dan memasukkan maklumat ini ke dalam fungsi kos vs nilainya.
"Apabila anda berfikir tentang masalah pengoptimuman mereka bentuk kumpulan molekul, kos menambah struktur baharu bergantung pada molekul yang telah anda pilih," kata Coley.
Rangka kerja ini juga mengambil kira faktor seperti kos bahan permulaan, bilangan tindak balas yang terlibat dalam setiap laluan sintesis, dan kemungkinan tindak balas tersebut berjaya pada percubaan pertama.
Untuk menggunakan SPARROW, saintis menyediakan satu set sebatian molekul yang sedang mereka pertimbangkan untuk diuji, bersama dengan takrifan sifat yang mereka harap dapati.
Seterusnya, SPARROW mengumpul maklumat tentang molekul dan laluan sintesisnya, kemudian menimbang nilai setiap molekul dengan kos mensintesis sekumpulan calon. Ia secara automatik memilih subset terbaik calon yang memenuhi kriteria pengguna dan mencari laluan sintetik paling kos efektif untuk sebatian ini.
Jenna Fromer, pengarang pertama kertas kerja, berkata: "Ia melakukan semua pengoptimuman ini dalam satu langkah, jadi ia boleh menangkap semua matlamat bersaing ini pada masa yang sama
Rangka kerja pelbagai fungsi
SPARROW ialah." unik kerana ia boleh disepadukan struktur Molekul yang direka oleh manusia, wujud dalam katalog maya, atau struktur molekul yang tidak pernah dilihat sebelum ini yang dicipta oleh model AI generatif.
"Kami mempunyai pelbagai sumber idea yang berbeza. Sebahagian daripada daya tarikan SPARROW ialah anda boleh meletakkan semua idea itu pada satu padang yang sama," tambah Coley.
Penyelidik menunjukkan keupayaan SPARROW untuk mengatur kitaran reka bentuk molekul melalui tiga kajian kes. Aplikasi ini menggambarkan bagaimana SPARROW (1) berjaya mengimbangi perolehan maklumat dengan kos sintesis, (2) menangkap ketidakaditiviti kos sintesis untuk kumpulan molekul, dan (3) skala kepada perpustakaan calon yang mengandungi ratusan molekul.
Ilustrasi: Demonstrasi keupayaan SPARROW untuk mengimbangi kos dan ganjaran merentas perpustakaan 14 calon perencat ASCT2. (Sumber: Kertas)
Mereka mendapati bahawa SPARROW berkesan menangkap kos marginal sintesis kelompok dan mengenal pasti langkah eksperimen biasa dan bahan kimia perantaraan. Tambahan pula, ia boleh dikembangkan untuk mengendalikan beratus-ratus calon molekul yang berpotensi.
「Dalam komuniti pembelajaran mesin kimia, terdapat banyak model yang berfungsi dengan baik untuk retrosintesis atau ramalan sifat molekul, tetapi bagaimanakah kita sebenarnya menggunakan rangka kerja kami untuk memanfaatkan nilai kajian awal ini, Kami berharap untuk membimbing penyelidik lain dalam memikirkan tentang pemeriksaan kompaun menggunakan kos dan fungsi utiliti mereka sendiri," kata Fromer.
Pada masa hadapan, penyelidik berharap dapat memasukkan lebih banyak kerumitan ke dalam SPARROW. Sebagai contoh, mereka berharap untuk membolehkan algoritma mengambil kira bahawa nilai ujian sebatian mungkin tidak sentiasa tetap. Mereka juga ingin memasukkan lebih banyak unsur kimia selari dalam fungsi kos berbanding nilai mereka.
Kandungan rujukan: https://news.mit.edu/2024/smarter-way-streamline-drug-discovery-0617
Atas ialah kandungan terperinci Mengenal pasti molekul terbaik secara automatik dan mengurangkan kos sintesis MIT membangunkan rangka kerja algoritma pembuatan keputusan reka bentuk molekul. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Alat AI Hot
Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik
AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.
Undress AI Tool
Gambar buka pakaian secara percuma
Clothoff.io
Penyingkiran pakaian AI
Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!
Artikel Panas
Alat panas
Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma
SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan
Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa
Dreamweaver CS6
Alat pembangunan web visual
SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)
Topik panas
1673
14
1429
52
1333
25
1278
29
1257
24
Menerobos sempadan pengesanan kecacatan tradisional, 'Spektrum Kecacatan' mencapai ketepatan ultra tinggi dan pengesanan kecacatan industri semantik yang kaya buat kali pertama.
Jul 26, 2024 pm 05:38 PM
Dalam pembuatan moden, pengesanan kecacatan yang tepat bukan sahaja kunci untuk memastikan kualiti produk, tetapi juga teras untuk meningkatkan kecekapan pengeluaran. Walau bagaimanapun, set data pengesanan kecacatan sedia ada selalunya tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal, menyebabkan model tidak dapat mengenal pasti kategori atau lokasi kecacatan tertentu. Untuk menyelesaikan masalah ini, pasukan penyelidik terkemuka yang terdiri daripada Universiti Sains dan Teknologi Hong Kong Guangzhou dan Teknologi Simou telah membangunkan set data "DefectSpectrum" secara inovatif, yang menyediakan anotasi berskala besar yang kaya dengan semantik bagi kecacatan industri. Seperti yang ditunjukkan dalam Jadual 1, berbanding set data industri lain, set data "DefectSpectrum" menyediakan anotasi kecacatan yang paling banyak (5438 sampel kecacatan) dan klasifikasi kecacatan yang paling terperinci (125 kategori kecacatan
Latihan dengan berjuta-juta data kristal untuk menyelesaikan masalah fasa kristalografi, kaedah pembelajaran mendalam PhAI diterbitkan dalam Sains
Aug 08, 2024 pm 09:22 PM
Editor |KX Sehingga hari ini, perincian dan ketepatan struktur yang ditentukan oleh kristalografi, daripada logam ringkas kepada protein membran yang besar, tidak dapat ditandingi oleh mana-mana kaedah lain. Walau bagaimanapun, cabaran terbesar, yang dipanggil masalah fasa, kekal mendapatkan maklumat fasa daripada amplitud yang ditentukan secara eksperimen. Penyelidik di Universiti Copenhagen di Denmark telah membangunkan kaedah pembelajaran mendalam yang dipanggil PhAI untuk menyelesaikan masalah fasa kristal Rangkaian saraf pembelajaran mendalam yang dilatih menggunakan berjuta-juta struktur kristal tiruan dan data pembelauan sintetik yang sepadan boleh menghasilkan peta ketumpatan elektron yang tepat. Kajian menunjukkan bahawa kaedah penyelesaian struktur ab initio berasaskan pembelajaran mendalam ini boleh menyelesaikan masalah fasa pada resolusi hanya 2 Angstrom, yang bersamaan dengan hanya 10% hingga 20% daripada data yang tersedia pada resolusi atom, manakala Pengiraan ab initio tradisional
Model dialog NVIDIA ChatQA telah berkembang kepada versi 2.0, dengan panjang konteks disebut pada 128K
Jul 26, 2024 am 08:40 AM
Komuniti LLM terbuka ialah era apabila seratus bunga mekar dan bersaing Anda boleh melihat Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 dan banyak lagi. model yang cemerlang. Walau bagaimanapun, berbanding dengan model besar proprietari yang diwakili oleh GPT-4-Turbo, model terbuka masih mempunyai jurang yang ketara dalam banyak bidang. Selain model umum, beberapa model terbuka yang mengkhusus dalam bidang utama telah dibangunkan, seperti DeepSeek-Coder-V2 untuk pengaturcaraan dan matematik, dan InternVL untuk tugasan bahasa visual.
Google AI memenangi pingat perak IMO Mathematical Olympiad, model penaakulan matematik AlphaProof telah dilancarkan dan pembelajaran pengukuhan kembali
Jul 26, 2024 pm 02:40 PM
Bagi AI, Olimpik Matematik tidak lagi menjadi masalah. Pada hari Khamis, kecerdasan buatan Google DeepMind menyelesaikan satu kejayaan: menggunakan AI untuk menyelesaikan soalan sebenar IMO Olimpik Matematik Antarabangsa tahun ini, dan ia hanya selangkah lagi untuk memenangi pingat emas. Pertandingan IMO yang baru berakhir minggu lalu mempunyai enam soalan melibatkan algebra, kombinatorik, geometri dan teori nombor. Sistem AI hibrid yang dicadangkan oleh Google mendapat empat soalan dengan betul dan memperoleh 28 mata, mencapai tahap pingat perak. Awal bulan ini, profesor UCLA, Terence Tao baru sahaja mempromosikan Olimpik Matematik AI (Anugerah Kemajuan AIMO) dengan hadiah berjuta-juta dolar Tanpa diduga, tahap penyelesaian masalah AI telah meningkat ke tahap ini sebelum Julai. Lakukan soalan secara serentak pada IMO Perkara yang paling sukar untuk dilakukan dengan betul ialah IMO, yang mempunyai sejarah terpanjang, skala terbesar dan paling negatif
PRO |. Mengapa model besar berdasarkan MoE lebih patut diberi perhatian?
Aug 07, 2024 pm 07:08 PM
Pada tahun 2023, hampir setiap bidang AI berkembang pada kelajuan yang tidak pernah berlaku sebelum ini. Pada masa yang sama, AI sentiasa menolak sempadan teknologi trek utama seperti kecerdasan yang terkandung dan pemanduan autonomi. Di bawah trend berbilang modal, adakah status Transformer sebagai seni bina arus perdana model besar AI akan digoncang? Mengapakah penerokaan model besar berdasarkan seni bina MoE (Campuran Pakar) menjadi trend baharu dalam industri? Bolehkah Model Penglihatan Besar (LVM) menjadi satu kejayaan baharu dalam penglihatan umum? ...Daripada surat berita ahli PRO 2023 laman web ini yang dikeluarkan dalam tempoh enam bulan lalu, kami telah memilih 10 tafsiran khas yang menyediakan analisis mendalam tentang aliran teknologi dan perubahan industri dalam bidang di atas untuk membantu anda mencapai matlamat anda dalam bidang baharu. tahun. Tafsiran ini datang dari Week50 2023
Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG
Jul 25, 2024 am 06:42 AM
Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka
Kadar ketepatan mencapai 60.8%. Model ramalan retrosintesis kimia Universiti Zhejiang berdasarkan Transformer diterbitkan dalam sub-jurnal Nature
Aug 06, 2024 pm 07:34 PM
Editor |. KX Retrosynthesis ialah tugas kritikal dalam penemuan ubat dan sintesis organik, dan AI semakin digunakan untuk mempercepatkan proses. Kaedah AI sedia ada mempunyai prestasi yang tidak memuaskan dan kepelbagaian terhad. Dalam amalan, tindak balas kimia sering menyebabkan perubahan molekul tempatan, dengan pertindihan yang besar antara bahan tindak balas dan produk. Diilhamkan oleh ini, pasukan Hou Tingjun di Universiti Zhejiang mencadangkan untuk mentakrifkan semula ramalan retrosintetik satu langkah sebagai tugas penyuntingan rentetan molekul, secara berulang menapis rentetan molekul sasaran untuk menghasilkan sebatian prekursor. Dan model retrosintetik berasaskan penyuntingan EditRetro dicadangkan, yang boleh mencapai ramalan berkualiti tinggi dan pelbagai. Eksperimen yang meluas menunjukkan bahawa model itu mencapai prestasi cemerlang pada set data penanda aras standard USPTO-50 K, dengan ketepatan 1 teratas 60.8%.
Pandangan alam semula jadi: Ujian kecerdasan buatan dalam perubatan berada dalam keadaan huru-hara Apa yang perlu dilakukan?
Aug 22, 2024 pm 04:37 PM
Editor |. ScienceAI Berdasarkan data klinikal yang terhad, beratus-ratus algoritma perubatan telah diluluskan. Para saintis sedang membahaskan siapa yang harus menguji alat dan cara terbaik untuk melakukannya. Devin Singh menyaksikan seorang pesakit kanak-kanak di bilik kecemasan mengalami serangan jantung semasa menunggu rawatan untuk masa yang lama, yang mendorongnya untuk meneroka aplikasi AI untuk memendekkan masa menunggu. Menggunakan data triage daripada bilik kecemasan SickKids, Singh dan rakan sekerja membina satu siri model AI untuk menyediakan potensi diagnosis dan mengesyorkan ujian. Satu kajian menunjukkan bahawa model ini boleh mempercepatkan lawatan doktor sebanyak 22.3%, mempercepatkan pemprosesan keputusan hampir 3 jam bagi setiap pesakit yang memerlukan ujian perubatan. Walau bagaimanapun, kejayaan algoritma kecerdasan buatan dalam penyelidikan hanya mengesahkan perkara ini
