详细内容或原文请订阅后点击阅览
简化药物发现的更智能方法
考虑到影响每个选择的大量因素，SPARROW 算法会自动识别出最适合测试作为潜在新药的分子。
来源:MIT新闻 - 人工智能使用 AI 简化药物发现的过程正在呈爆炸式增长。研究人员正在部署机器学习模型，帮助他们在数十亿种选择中识别可能具有他们寻求开发新药的特性的分子。
但有太多变量需要考虑——从材料价格到出现问题的风险——即使科学家使用 AI，权衡合成最佳候选物的成本也不是一件容易的事。
识别最佳和最具成本效益的分子进行测试所涉及的无数挑战是新药开发时间如此之长的原因之一，也是处方药价格高昂的主要驱动因素。
为了帮助科学家做出成本意识选择，麻省理工学院的研究人员开发了一个算法框架来自动识别最佳分子候选物，从而最大限度地降低合成成本，同时最大限度地提高候选物具有所需特性的可能性。该算法还确定了合成这些分子所需的材料和实验步骤。
他们的定量框架称为合成规划和基于奖励的路线优化工作流程 (SPARROW)，它考虑了一次合成一批分子的成本，因为多个候选分子通常可以从一些相同的化合物中获得。
此外，这种统一的方法可以从在线存储库和广泛使用的 AI 工具中捕获有关分子设计、属性预测和合成规划的关键信息。
除了帮助制药公司更有效地发现新药外，SPARROW 还可用于发明新的农用化学品或发现有机电子专用材料等应用。
Coley 与论文的主要作者 Jenna Fromer SM '24 一起参与了这项研究。这项研究发表在今天的《自然计算科学》杂志上。
今天出现 自然计算科学复杂的成本考虑
复杂的成本考虑一个多功能的框架
一个多功能的框架