Óra alatt javasolhat új gyógyszermolekulákat a Google AI-agentje
Az új AI-agent egy órán belül képes szintetizálható makrokörcsöket javasolni, felgyorsítva a gyógyszerfejlesztési ciklust – állítja a Google DeepMind.
A Google Antigravity platform új Cheminformatics Skills-ével felvértezett AI-agent egy óra alatt képes több ezer vegyületet átvizsgálni, molekuláris elemzést végezni és új, szintetizálható makrokörcsöket javasolni. A rendszer a nyelvi modellt a munkafolyamat-orchestrációra, a determinisztikus RDKit-eszközöket pedig a molekuláris számításokra használja. A Google Antigravity szerint a technológia jelentősen csökkenti a gyógyszerfejlesztéshez szükséges időt, amely korábban több napig tartott egyetlen iterációra.
Adatforrások és molekuláris elemzés
A kutatók a Science folyóiratban publikált tanulmányukban bemutatják, hogyan segíti a rendszer a gyógyszerkutatást. Az agent képes adatokat kinyerni dokumentumokból, molekulákat azonosítani és előkészíteni további elemzésekre. A rendszer a ChEMBL és a PubChem adatbázisait használja, és képes a molekulák merevítésének technikáját alkalmazni, ami növeli a gyógyszerek hatékonyságát. Ezt a crizotinib és lorlatinib nevű tüdőrák elleni gyógyszerek példáján keresztül illusztrálják.
Merevség és hatékonyság növelése
A rendszer a molekulák merevítésével, vagyis a forgó kötések számának csökkentésével növeli a hatékonyságot. A crizotinibhez képest a lorlatinib merevebb szerkezete nullára csökkenti a forgó kötések számát, ami magasabb hatékonyságot eredményez. Az agent képes több ezer vegyületet visszakeresni, releváns molekulákat szűrni, és azok forrásait jelenteni. Az elemzés során kiemeli, hogy a makrokörcsök többsége várhatóan átjut a vér-agy gáton, ami fontos tulajdonság az agyi áttétekkel járó tüdőrák kezelésében.
A Google Antigravity felülete lehetővé teszi a felhasználók számára, hogy interaktív módon böngésszék a lementett vegyületeket, metaadataikat megtekintsék, és adatkapcsolatokat jelenítsenek meg. A potenciát a forgó kötések számával ábrázolva látható, hogy a merevebb molekulák, mint a lorlatinib, általában nagyobb potenciával rendelkeznek. A rendszer matched molecular pair analysis (MMPA) technikát is alkalmaz, hogy elkülönítse a molekulaváltoztatások hatásait.
A Google DeepMind szerint a Cheminformatics Skills nemcsak a kémiai képességeket bővíti, hanem zökkenőmentes együttműködést tesz lehetővé a felhasználó és az agent között. Az agent képes gépi tanulási modelleket is építeni, és különböző architektúrákat tesztel, hogy megbecsülje a kimenő eloszlású teljesítményt. A rendszer a publikált eredmények szerint még nem függetlenül ellenőrzött.