Projeto terapêutico generativo

Mecanismo de Ideação baseado em IA para Biofarma

Trazer uma nova terapêutica para os pacientes é difícil, caro e demorado. O custo médio para desenvolver um medicamento e colocá-lo no mercado é de cerca de US $ 3 bilhões e pode levar de 12 a 14 anos. A fase de descoberta do medicamento, que consome cerca de um terço do custo total, requer a síntese de milhares de moléculas e até 5 anos para desenvolver um único candidato a chumbo pré-clínico. Além disso, apenas 10% dos compostos que entram nos testes de Fase I realmente recebem aprovação. Acreditamos que a Inteligência Artificial (IA) tem o potencial de acelerar a fase de descoberta e reduzir significativamente os custos de descoberta. Como benefício adicional, a IA pode ajudar os cientistas a enviar compostos de alta qualidade para a clínica, reduzindo a taxa de falha. Avanços recentes em ciência molecular e aprendizado de máquina, combinados com a disponibilidade de poderosas plataformas de computação em nuvem, estão transformando esse potencial em realidade.

BIOVIA Generative Therapeutics Design (GTD) melhora e acelera o projeto de candidato a líder automatizando a criação virtual, teste e seleção de novas moléculas pequenas. A solução baseada em nuvem emprega técnicas avançadas de AI / Aprendizado de Máquina para ajudar os cientistas a decidir quais moléculas fazer a seguir - ajudando a orientar o processo de descoberta de medicamentos e otimizar a produção de P&D.

Aprendizagem ativa

O aprendizado ativo é uma especialização dentro do Aprendizado de Máquina em que a computação (o 'virtual') e o experimento (o 'real') são combinados, permitindo que os cientistas encontrem as melhores respostas da maneira mais eficiente possível. Usando a descoberta de moléculas pequenas como exemplo, uma equipe de descoberta de drogas começa com um modelo inicial construído a partir de uma pequena quantidade de dados, por exemplo, resultados de ensaios para algumas dezenas de compostos. Eles então usam esse modelo para sugerir novos compostos que podem melhorar o escopo de seus modelos. À medida que eles sintetizam e testam uma série de novos compostos, novos dados de treinamento tornam-se disponíveis para retreinar e melhorar os modelos. Atualizar iterativamente o modelo dessa maneira é uma abordagem bem estabelecida para otimizar projetos usando o menor número de iterações, portanto, encurtando o cronograma geral de descoberta. À medida que o escopo e a qualidade dos modelos melhoram, os compostos recomendados para atingir o perfil de produto alvo (TPP) desejado se tornarão mais diversificados e terão maior probabilidade de sucesso.

AI Humano no Circuito

O Generative Therapeutics Design gera de forma iterativa milhares de moléculas virtuais, explorando um vasto espaço de design químico para novos candidatos ideais. Como a otimização de chumbo é um desafio de otimização multi-objetivo, o sistema avalia e equilibra importantes propriedades alvo, como atividade do medicamento, solubilidade, hepatotoxicidade, disponibilidade do medicamento e estabilidade metabólica e, potencialmente, também facilidade de síntese, capacidade de desenvolvimento e considerações de IP, como patenteabilidade.

Os químicos de bancada podem fornecer uma visão especializada desse processo, complementando as previsões da máquina e influenciando as iterações de projeto subsequentes. Usamos o termo “inteligência aumentada” para esse conceito de “humano no circuito”. A inteligência humana colabora com a inteligência da máquina para gerar resultados mais rápidos e precisos.

IA Lab-in-the-Loop

Claro, os cientistas também precisam validar estruturas promissoras no laboratório. Esta “Inteligência Artificial Lab-in-the-loop” combina as vantagens de métodos imparciais de aprendizado de máquina com experimentação do mundo real e o conhecimento e experiência de especialistas científicos.

Como parte do processo de design, o sistema será capaz de levar em consideração reagentes disponíveis para compra de um fornecedor terceirizado ou empresa de síntese, para que as organizações possam minimizar o tempo de execução e / ou custos ao trabalhar com laboratórios internos ou terceirização para organizações de pesquisa de contrato.

O teste composto contínuo fornece dados de treinamento adicionais para melhorar os modelos preditivos. Este processo crítico de aprendizagem ativa, combinado com testes do mundo real, expande o escopo dos modelos, permitindo iterações subsequentes para explorar novos territórios. O processo continua até que o químico medicinal encontre compostos que atendam ao TPP.

Modelagem e Simulação

A modelagem e a simulação podem complementar os métodos de aprendizado de máquina automatizados. Químicos computacionais podem modelar sistemas complexos a partir dos primeiros princípios e obter percepções que levariam muito mais tempo e custariam muito mais quando obtidas por meio de experimentação de bancada. Por exemplo, métodos como pontuação de farmacóforo, docking molecular e perturbação de energia livre (FEP) podem ajudar os cientistas a prever em três dimensões se e como uma molécula de droga proposta irá interagir com uma proteína implicada em uma doença. Os cientistas serão capazes de automatizar esses métodos e executá-los como parte do processo de design generativo.

Um estudo de caso

Usando BIOVIA Generative Therapeutics Design, uma grande indústria farmacêutica dos EUA foi capaz de construir uma série de modelos de aprendizado de máquina de alta qualidade a partir de um conjunto inicial de compostos de projeto. Com base nesses modelos, o sistema propôs uma série de compostos para a próxima rodada de síntese e teste. O sistema rapidamente "aprendeu" com seus compostos de projeto sobre motivos estruturais que eram atípicos, mas considerados valiosos para seu alvo terapêutico específico. Os químicos medicinais também podem especificar quais partes dos compostos iniciais precisam ser mantidos constantes para explorar um espaço químico mais estreito em torno desses compostos. Isso resultou em um novo conjunto de compostos virtuais propostos com rotas sintéticas familiares e um TPP aprimorado.

Por fim, os químicos medicinais descobriram que aproximadamente 80% dos compostos propostos pelo sistema atendiam ao perfil de propriedades previsto e um composto atendia ao perfil completo do produto alvo. O feedback dos químicos foi que a maioria dos compostos propostos eram encorajadores, pois eram estruturalmente semelhantes aos compostos já em consideração. Ainda mais interessante, um subconjunto dos compostos propostos era estruturalmente novo e compostos que eles não teriam considerado usando métodos tradicionais. É aqui que o Generative Therapeutics Design mostra valor real - ao propor compostos fora do domínio tipicamente estudado por esses químicos.

Três vantagens

1. O design terapêutico generativo pode ser um mecanismo de ideação eficaz e para químicos de bancada do setor farmacêutico, biotecnológico e até mesmo agroquímico. O sistema pode dar aos cientistas novas idéias sobre o que sintetizar a seguir e ajudá-los a investigar além de onde costumam olhar. Isso nutre sua intuição e os ajuda a pensar sobre os compostos de maneiras diferentes.
2. O projeto terapêutico generativo pode acelerar o desenvolvimento de candidatos a liderança —Melhorando a qualidade molecular, reduzindo os custos de experimentação e encurtando os prazos de descoberta. Ao ajudar a promover apenas os candidatos mais promissores para os ensaios clínicos, o sistema pode potencialmente economizar milhões de dólares de pesquisa no desenvolvimento de medicamentos e outros programas.
3. Químicos que trabalham em conjunto com IA / Aprendizado de máquina fornecem os melhores resultados. Com o Generative Therapeutics Design, cientistas e algoritmos de IA se complementam. Os cientistas podem trabalhar de maneira expedita com algoritmos, criar seus próprios projetos e aproveitar totalmente sua intuição para obter os melhores resultados possíveis.

Uma última palavra

Ferramentas de design generativas são particularmente poderosas quando usadas como parte de um fluxo de trabalho de negócios maior. A BIOVIA está adicionando ferramentas para combinação colaborativa de dados virtuais e reais (V + R), incluindo gerenciamento de solicitações em laboratórios experimentais, registro de compostos virtuais e reais e resultados de testes e reaprendizado automatizado de modelos de aprendizado de máquina. Dessa forma, os clientes podem incorporar uma ciência inovadora ao fluxo de trabalho e aos processos de negócios estabelecidos.

Rastreio virtual guiado por farmacóforo para reaproveitamento de medicamentos TREINAMENTO DO PILOTO DO PIPELINE ONLINE