機械学習を使用して新薬の製造を加速する

研究者らは、自動実験と AI を組み合わせて化学物質がどのように反応するかを予測するプラットフォームを開発しました。これにより、新薬の設計プロセスが加速される可能性があります。

分子がどのように反応するかを予測することは、新しい医薬品の発見と製造にとって不可欠ですが、これは歴史的に試行錯誤のプロセスであり、反応が失敗することもよくあります。 分子がどのように反応するかを予測するために、化学者は通常、単純化されたモデルで電子と原子をシミュレートしますが、このプロセスは計算コストが高く、多くの場合不正確です。

今回、ケンブリッジ大学の研究者らは、ゲノミクスにヒントを得て、自動化された実験を機械学習と組み合わせて化学反応性を理解し、プロセスを大幅にスピードアップするデータ駆動型のアプローチを開発しました。 彼らは、39,000を超える薬学的に関連する反応のデータセットで検証された彼らのアプローチを、化学「リアクトーム」と呼んでいます。

Nature Chemistry 誌に報告された彼らの結果は、ケンブリッジとファイザーの共同研究の成果です。

この論文の筆頭著者であるケンブリッジ大学キャベンディッシュ研究所のエマ・キングスミス博士は、「リアトームは有機化学に対する私たちの考え方を変える可能性がある」と述べた。 「化学をより深く理解すれば、医薬品やその他多くの有用な製品をより迅速に製造できるようになる可能性があります。しかし、より根本的に、私たちが生み出そうとしている理解は、分子を扱うすべての人にとって有益なものとなるでしょう。」

リアトーム アプローチは、反応物、試薬、および反応のパフォーマンスの間の関連する相関関係をデータから抽出し、データ自体のギャップを指摘します。 データは、非常に高速または高スループットの自動実験から生成されます。

「ハイスループット化学は状況を大きく変えるものでしたが、私たちはハイスループット実験の初期結果から観察できるものよりも化学反応をより深く理解する方法があると信じていました」とキングスミス氏は述べた。

研究を主導したアルファ・リー博士は、「私たちのアプローチは、反応成分と結果の間の隠された関係を明らかにします」と述べた。 「私たちがモデルをトレーニングしたデータセットは膨大です。これは化学発見のプロセスを試行錯誤からビッグデータの時代に導くのに役立ちます。」

Nature Communications に掲載された関連論文の中で、研究チームは、化学者が分子の事前に指定された領域に正確な変換を導入し、より迅速な創薬を可能にする機械学習アプローチを開発しました。

このアプローチにより、化学者は複雑な分子を最初から作成することなく、直前の設計変更のように微調整することができます。 研究室で分子を作るのは、通常、家を建てるのと同じように、複数の段階からなるプロセスです。 化学者が分子の核を変えたい場合、従来の方法は、家を取り壊して一から再構築するように、分子を再構築することです。 ただし、コアのバリエーションは医薬品の設計にとって重要です。

後期官能化反応として知られるある種の反応は、コアに化学変化を直接導入することを試み、最初から開始する必要性を回避します。 ただし、後期段階の機能化を選択的かつ制御するのは困難です。通常、反応できる分子の領域が多数存在し、結果を予測するのが困難です。

「後期段階の機能化では予測できない結果が生じる可能性があり、私たち自身の専門家の直感を含め、現在のモデリング方法は完璧ではありません」とキングスミス氏は述べた。 「より予測的なモデルがあれば、より適切なスクリーニングを行う機会が得られるでしょう。」

研究者らは、分子がどこで反応するか、およびさまざまな反応条件に応じて反応部位がどのように変化するかを予測する機械学習モデルを開発しました。 これにより、化学者は分子の核を正確に微調整する方法を見つけることができます。

「私たちは、これらの複雑な変換を予測するためにモデルを微調整する前に、大量の分光データに基づいてモデルを事前トレーニングし、モデルに一般化学を効果的に教えました」とキングスミス氏は述べています。 このアプローチにより、研究チームはデータが少ないという限界を克服することができました。つまり、科学文献で報告されている後期段階の官能化反応は比較的少ないということです。 研究チームは、薬物様分子の多様なセットでモデルを実験的に検証し、さまざまな条件下での反応部位を正確に予測することができました。

「機械学習の化学への応用は、化学空間の広大さに比べてデータ量が少ないという問題によって、しばしば妨げられる」とリー氏は述べた。 「私たちのアプローチ、つまり私たちが解決しようとしている問題と似ているが同じではない大規模なデータセットから学習するモデルを設計することは、この基本的なローデータの課題を解決し、後期段階の機能化を超えた進歩を可能にする可能性があります。」

この研究はファイザーと英国王立協会の一部支援を受けました。

King-Smith E、Faber FA、Reilly U、Sinitskiy AV、Yang Q、Liu B、Hyek D、Lee AA。
転移学習による予測 Minisci 後期段階の機能化。
ナットコミューン。 2024 年 1 月 15 日;15(1):426。 土井： 10.1038/s41467-023-42145-1