Судлаачид хиймэл оюун ухаантай холбох үр ашгийг тооцоолох замаар эмийн нээлтийн хурдыг нэмэгдүүлэхийг зорьж байна

MIT-ийн судлаачид Мансууруулах бодисын нээлтийг хурдасгах зорилгоор хиймэл оюун ухаанд суурилсан шинэ техникийг саяхан боловсруулжээ. эмийн молекулын холболтыг үнэлэх.

Эм нь төлөвлөсөн даалгавраа биелүүлэхийн тулд уурагт наалддаг байх ёстой. Эмийн уурагт наалдах чадварыг үнэлэх нь эмийг илрүүлэх, илрүүлэх үйл явцын гол хэсэг бөгөөд машин сурах арга техник нь эмийн энэ чухал шинж чанарыг үнэлэхэд зарцуулсан цагийг багасгаж чадна.

Эмийн үнэлгээний шинэ техникийг боловсруулах үүрэгтэй MIT судалгааны баг үүнийг DeepBAR гэж нэрлэдэг. DeepBAR нь машин сургалтын алгоритмыг уламжлалт химийн тооцоололтой хослуулсан. DeepBAR нь өгөгдсөн нэр дэвшигч эм болон тухайн эмийн зорилтот уургийг холбох чадварыг тооцдог. Шинжилгээний шинэ техник нь эмийн холболтын чадварыг үнэлэх уламжлалт аргуудаас хамаагүй хурдан тооцоолдог бөгөөд энэ техник нь эмийг илрүүлэх хурдыг нэмэгдүүлнэ гэж найдаж байна.

Мансууруулах бодисын холболтын чадавхийг холбох чөлөөт энерги гэж нэрлэдэг хэмжигдэхүүнээр тодорхойлдог бөгөөд бага тоо нь илүү их холбох чадварыг илэрхийлдэг. Зайлшгүй чөлөөт энергийн оноо бага байна гэдэг нь эм нь бусад молекулуудтай өрсөлдөх чадвартай, эдгээр молекулуудын үүргийг дүүргэж, уургийн хэвийн үйл ажиллагааг алдагдуулдаг гэсэн үг юм. Мансууруулах бодис хэрэглэх нэр дэвшигчийн чөлөөт энерги болон эмийн үр нөлөөний хооронд өндөр хамаарал байдаг. Гэсэн хэдий ч чөлөөт энергийг хэмжих нь нэлээд хэцүү байдаг.

Чөлөөт холболтын энергийг хэмжих хоёр энгийн арга байдаг. Нэг арга нь холбох чөлөөт энергийн яг хэмжээг тооцоолох, нөгөө нь холбох чөлөөт энергийн хэмжээг тооцоолох явдал юм. Тооцоолол нь нарийн хэмжилтээс тооцооллын хувьд бага зардалтай боловч алдаатай байдаг.

DeepBAR арга нь яг хэмжих аргуудын тооцооллын хүчин чадлын багахан хэсгийг ашигладаг боловч холболтын энергийн өндөр нарийвчлалтай тооцооллыг өгдөг. DeepBAR нь "Беннетийн хүлээн авах харьцаа"-г ашигладаг бөгөөд энэ нь холболтын чөлөөт энергийг тооцоолоход ихэвчлэн хэрэглэгддэг алгоритм юм. Беннетийн хүлээн авах харьцаа нь хоёр суурь/төгсгөлийн төлөв болон янз бүрийн завсрын төлөвийг (хэсэгчилсэн холболтын төлөв) ашиглахыг шаарддаг. DeepBAR арга нь машин сургалтын тогтолцоо болон гүн үүсгэгч загваруудын зэрэгцээ Беннеттийн хүлээн зөвшөөрөх харьцааг ашиглан холболтын энергийг тооцоолоход шаардагдах тооцооллын тоог багасгахыг оролддог. Машин сургалтын загварууд нь эцсийн цэг бүрийн лавлагааны төлөвийг үүсгэдэг бөгөөд эдгээр төгсгөлийн цэгүүд нь Беннетийн хүлээн авах харьцааг ашиглах боломжтой бодит төгсгөлийн цэгүүдэд хангалттай нарийвчлалтай байдаг.

MIT-ийн судалгааны багийн боловсруулсан гүн үүсгэгч загвар нь компьютерийн харааны техник дээр суурилдаг. Үндсэндээ DeepBAR нь задлан шинжилж буй молекулын бүтэц бүрийг зураг болгон авч үзэж, тэдэнд суралцахын тулд "дүрс"-ийн онцлог шинж чанаруудад дүн шинжилгээ хийдэг. Компьютерийн харааны алгоритм нь ихэвчлэн 3 хэмжээст дүрс дээр ажилладаг тул судалгааны баг 2D бүтцэд дүн шинжилгээ хийхэд нийцүүлэхийн тулд алгоритмд бага зэрэг өөрчлөлт оруулах шаардлагатай болсон.

Анхны туршилтаар DeepBAR нь холболтын чөлөөт энергийг уламжлалт техникээс 50 дахин хурдан тооцоолж чадсан. Загвар дээр хийх ажил хэвээр байна. Энэ нь анх туршиж үзсэн нэлээд энгийн өгөгдөлтэй харьцуулахад илүү төвөгтэй, туршилтын өгөгдлүүдийн эсрэг баталгаажуулах ёстой. MIT-ийн судалгааны баг нь компьютерийн шинжлэх ухааны сүүлийн үеийн ололт амжилтыг ашиглан загварыг боловсронгуй болгох замаар DeepBar-ийн том уургийн чөлөөт энергийг тооцоолох чадварыг сайжруулах зорилготой юм.

DeepBAR нь эмийн нээлтийн хурдыг нэмэгдүүлэх зорилгоор хиймэл оюун ухааныг мансууруулах бодис илрүүлэх хоолойд ашиглах анхны оролдлогоос хол байна. Бусад олон судалгааны төслүүд мөн хиймэл оюун ухааныг мансууруулах бодис илрүүлэх дамжуулах хоолойн хэсгийг автоматжуулж, үр ашгийг дээшлүүлэх зорилгоор ашигласан. Гэсэн хэдий ч эдгээр стратегийн үр нөлөөг хязгаарлах байгалийн гацаа байж магадгүй юм.

Саяхан Дерек Лоугийн хувьд гэж ScienceMag.org сайтын блогтоо маргажээ, хэрэв зорилго нь эмийг илрүүлэх хурдыг нэмэгдүүлэх юм бол "зөв асуудал руу дайрах" нь чухал юм. Эмийн эмнэлзүйн үр нөлөө, аюулгүй байдлыг үнэлэхэд ихээхэн цаг хугацаа шаардагддаг бөгөөд эмнэлзүйн бүтэлгүйтлийн түвшинг бууруулахын тулд хиймэл оюун ухааныг ашиглах арга замыг олоход хэцүү байдаг. Эцсийн эцэст, хиймэл оюун ухааны аргуудыг эмнэлзүйн үнэлгээний үйл явцад утга учиртай нэгтгэх хүртэл эмийг олж илрүүлэхэд зарцуулах цаг хугацаа бага байх болно. Гэсэн хэдий ч сайжруулалтууд сайжирч, DeepBAR гэх мэт судалгаа хийх тусам эрдэмтэд хиймэл оюун ухааныг эмийн нээлтийн хоолойн бусад хэсэгт ашиглах арга замыг авч үзэх цаг хугацаа их байх болно.