УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
УНИВЕРСИТЕТ ИННОПОЛИС ПРО ТЕХНОЛОГИИ УНИВЕРСИТЕТ ИННОПОЛИС ПРО НАУКУ УНИВЕРСИТЕТ ИННОПОЛИС ПРО ОБРАЗОВАНИЕ
Как QSAR-модели ускоряют разработку лекарств на несколько месяцев
От быстрого производства новых лекарств буквально зависят жизни. В этой отрасли часто применяют искусственный интеллект, который исключает человеческий фактор, может работать быстрее и качественнее людей. Рассказываем, как продукт для предсказания молекулярной активности QSAR Университета Иннополис позволяет фармацевтическим компаниям экономить время и деньги при создании препаратов.
Классическая схема разработки лекарств включает следующие этапы:
- Выбор биомишени для исследований. Определение молекулы в организме, отвечающей за развитие патологии
- Поиск молекул-кандидатов. Они могут взаимодействовать с этой мишенью и ликвидировать болезнь
- Оптимизация молекул-кандидатов. Подбор молекулы, которая лучше всего связывается с мишенью и не вредит организму, проверка на ADMET*
- Проверка свойств. Анализ действия молекул на живых организмах (в пробирке и на мышах)
- Исследования. Клинические исследования, испытания на людях
Алгоритм искусственного интеллекта QSAR применяется при поиске и оптимизации молекул-кандидатов. С его помощью можно:
- в 1000 раз ускорить процесс подбора и оптимизации молекулы, которая ликвидирует болезнь
- сократить будущее количество испытаний на живых организмах
- получить достоверную информацию о безвредности препарата еще до проведения тестов на животных
Как мы работаем с заказчиками
Quantitative Structure–Activity Relationships, QSAR (модели структура-свойство, модели структура-активность) — метод вычислительного моделирования по прогнозу молекулярной активности. Это алгоритм, на базе которого построен сервис с возможностью добавления нового функционала.
Заказчику достаточно предоставить сведения об интересующей его биомишени и свой датасет, если он есть. Если датасета нет, мы собираем его из открытых источников.
После получения ТЗ от заказчика, мы проводим скрининг мишени в течение одного месяца. В результате формируем документ с информацией по активности и токсичности молекул, а также возможностях синтеза вещества.
Заказчику достаточно предоставить сведения об интересующей его биомишени и свой датасет, если он есть. Если датасета нет, мы собираем его из открытых источников.
После получения ТЗ от заказчика, мы проводим скрининг мишени в течение одного месяца. В результате формируем документ с информацией по активности и токсичности молекул, а также возможностях синтеза вещества.
Если заказчик просит, дополнительно делаем проверку на патентную чистоту — доказательство, что препарат создан впервые и не имеет аналогов на территории страны.
Далее заказчик сам решает, как поступить с информацией. Крупные фармацевтические компании, как правило, сразу переходят к тестам и производству препарата по нашему «рецепту». Средние фармкомпании, которые занимаются только этапом поиска лекарств, перепродают наши наработки компаниям побольше.
Далее заказчик сам решает, как поступить с информацией. Крупные фармацевтические компании, как правило, сразу переходят к тестам и производству препарата по нашему «рецепту». Средние фармкомпании, которые занимаются только этапом поиска лекарств, перепродают наши наработки компаниям побольше.
QSAR-модели в цифрах
в 1000 раз
ускоряет процесс поиска и подбора молекул
в 5-6 раз
сокращает затраты на исследования и разработку
на 20%
повышает эффективность исследований по поиску молекулы-кандидата благодаря снижению количества химии на этом этапе
1 месяц
требуется специалистам на работу с помощью алгоритма
Применение QSAR в других отраслях
Суть алгоритма — идентификация и подбор оптимальных веществ. Как и любой другой алгоритм ИИ, его можно адаптировать под другие задачи.
Например, для защиты окружающей среды. QSAR может находить новые молекулы, которые загрязняют атмосферу и отслеживать их передвижение, чтобы экологи принимали предупреждающие меры. Может прогнозировать изменение климата на основе молекулярного состава атмосферы. В сельском хозяйстве выявлять новые сорта агрокультур, проверять их восприимчивость к разным условия выращивания.
Например, для защиты окружающей среды. QSAR может находить новые молекулы, которые загрязняют атмосферу и отслеживать их передвижение, чтобы экологи принимали предупреждающие меры. Может прогнозировать изменение климата на основе молекулярного состава атмосферы. В сельском хозяйстве выявлять новые сорта агрокультур, проверять их восприимчивость к разным условия выращивания.
- Руслан ЛукинРуководитель Лаборатории развития проектов в сфере ИИ в новых материалах Университета ИннополисПродукт QSAR — это наш ключик к дизайну материалов и молекул. С его помощью мы определяем свойства материалов заданной структуры и, наоборот, предсказываем структуру материалов с заданными свойствами. Такой функционал применим в любых индустриальных компаниях, где нужно создавать новые продукты.
Например, буровой раствор с более выраженными ингибирующими свойствами или антибиотик, совместимый с большим количеством лекарственных препаратов. В частности для компаний нефтегазового сектора, энергетической и автомобильной промышленности, медицинской отрасли.
Вместо длительных лабораторных испытаний достаточно сообщить нам необходимые параметры и условия работы вещества, и мы с помощью машинного обучения найдем оптимальное решение. Кроме того с минимизацией вреда для экологии, людей и животных.