Written by:
Associate Principle Scientist, Molecular AI, AstraZeneca
Director Health Data Science, AstraZeneca
Head of Research, Centre for AI, AstraZeneca
Machine learning is improving how we generate, 筛选和评估分子作为潜在的候选药物.
The fundamental challenge of drug discovery
可能的类似药物的化学物质的数量远远超过了宇宙中的恒星. 因此，开发新药需要澳门第一赌城在线娱乐考虑非常大量的潜在分子(“分子空间”)，以确定合适的候选分子，然后可以更深入地研究它们作为潜在治疗方法的效用.
To help us narrow our search for lead candidate molecules, 澳门第一赌城在线娱乐结合了高通量筛选和计算化学等方法. 这些过程从大量分子开始，逐步将焦点“漏斗”到具有所需药物效果和安全性的分子数量越来越少.
在这个漏斗的开头研究潜在分子很容易产生大量的数据, but provides limited insights. Conversely, 随着分析沿着漏斗进行，越来越深入地关注更少的分子, 它变得更加昂贵，但提供了越来越有意义的数据.
To overcome this challenge, 澳门第一赌城在线娱乐正在不断改进和应用机器学习模型, such as graph neural networks and transformer models, 为了更好地了解潜在的分子空间，澳门第一赌城在线娱乐希望研究和预测候选药物可能的化学性质.
利用神经网络预测分子性质并识别候选药物
Given the large numbers of potential molecules, 评估它们不同性质的可行性，比如吸收, distribution in the body, metabolism, elimination, efficacy, and safety is almost impossible. 像图神经网络这样的机器学习工具已经被广泛用于帮助预测大量分子的性质.
澳门第一赌城在线娱乐的科学家现在将图神经网络与“迁移学习”配对，这是一种机器学习策略，可以从一个任务中存储知识，然后将这些学习“转移”到另一个任务中, related problem.1 澳门第一赌城在线娱乐已经使用迁移学习来存储数据集中的知识，这些数据集很大，很容易在数据库中生成 early stages of the drug discovery funnel (but, on their own, 提供有限的见解)，以提高预测性能 later stages 漏斗——生成数据集的成本更高，但可以提供更深入的见解.
For the first time, to our knowledge, 澳门第一赌城在线娱乐已经演示了如何使用图神经网络的迁移学习可以使用来自全漏斗的数据来改进分子性质预测, 使科学家们能够做出更明智的决定，决定哪些分子应该进行研究, 特别是在最初没有很多高质量数据可用的情况下. Moreover, 澳门第一赌城在线娱乐的研究强调了标准图神经网络的局限性，并提出了实现迁移学习的解决方案.
Embedding data science and AI across our R&D
数据科学和人工智能正在帮助澳门第一赌城在线娱乐分析和解释药物发现和开发各个阶段的大量数据. 通过将传统化学高通量筛选与人工智能和机器学习方法相结合, 澳门第一赌城在线娱乐能够研究越来越多样化和有前途的分子-帮助澳门第一赌城在线娱乐更好地预测它们的分子功能和作为药物的适用性. By embedding data-driven approaches across our R&D, we are accelerating how we design, 为病人开发和制造新一代的治疗方法.
