• Twitter
  • Facebook
  • Google+
  • LinkedIn

机器学习更快的药物发现

研究人员聘请机器学习技术来寻找最佳的催化剂用于设计药物的重要分子

人工智能(AI)和机器学习(毫升)方法是当今流行语在影响着我们的生活领域的主机查找应用程序。这些方法使用已知的数据集进行训练和构建模型,可以预测,或有时,做出一个决策任务。在这样一个情况下,科研人员在技术孟买(97彩票),孟买,在最近的研究中,印度理工学院研发毫升接近使用分子描述为某些类型的催化,可能在一些治疗应用中找到用途。

传统上,药物发现和配方是一个复杂的过程。生物分子具有不同的特性,其中的知识是用于结合药物分子靶蛋白是至关重要的。像蛋白质和糖分子具有几何性质称为手性,其中所述分子不是相同的镜像。手性分子的这样的镜图像被称为对映异构体或光学异构体。换句话说,一个对映体是两个结构(立体异构体),其镜像是不相同的(类似我们右手和左手之间的差)中的一个。

构建立体异构体的期望结构与所需螺旋性是一项乏味的任务,使用非对称催化通常完成的。在这种方法中,手性催化剂指示手性化合物的形成,使得特定的立体异构体比其他呈现morefavourable。分子描述符的知识(即捕捉其化学性质),可以加快新不对称催化协议的研发工作。 

在治疗应用中,有不断增长的需要可以直接通过在不对称催化中的发展中受益高纯度的手性化合物。通常,新的催化剂的创建涉及复杂的试错周期,因此是一个资源密集型的努力。因此,开发一种更快速的,可靠的技术来设计这样的催化剂是必要的。 

传统上,在设计此类催化剂,包括手性不同的考虑因素,已经使用的数学模型。这种方法涉及使用最适合的回归方程与优良的预测能力许多分子参数。常用此法也对结合其它非线性参数是一个挑战。认识到这些挑战,研究人员在技术孟买(97彩票)印度理工学院对机器转向学习,探讨它是否能在他们对识别不对称催化剂的努力帮助。 

研究人员已经证明证据的概念模型,发现使用毫升的技术,如随机森林和决策树更好的不对称催化剂。这种方法,研究人员说,不仅可以加速这一进程,但也增加了它的吞吐量。在所提出的方法中,ML-基于数学模型上已知的催化剂,其然后有助于预测其它催化剂的有效性训练。有催化剂的附加数据的多个这样的训练运行之后,该模型用一些测试集验证。列车预测列车周期的这个过程加速了有利的催化剂的发现。 

使用一组基板的催化剂组合的分子参数构建的随机森林的预测能力被发现是令人印象深刻。随机森林的精度被认为是优于其他毫升方法。这种方法有望在催化剂的设计提供前进的一个飞跃,并可能在学习和扩大不对称催化剂和底物文库的剧目深远的影响。 

“我们相信,新兴的通过机器学习引线什么催化剂和底物的结合具有更好的倾向是成功的,可以用自动化实验协议连接。我们的方法也可以在广泛的不对称反应的开发,从而可以打开承诺向具有成本效益和高效率的设计不对称的催化剂,”招牌关教授拉加b sunoj(化学系),谁领导这个多学科研究的途径连同教授。 p balamurugan(工业工程和运筹学)。  

文章写的

sudhira HS

通过图形/图像

通过从pixabay mastertux图像

gubbi页面链接

网址gubbi网站

 

研究领域: