• Twitter
  • Facebook
  • Google+
  • LinkedIn

机器学习更快的药物发现

研究人员聘请机器学习技术来搜索设计分子医药学上重要的最佳催化剂

人工智能(AI)和机器学习(毫升)途径是当今流行语在影响着我们的生活领域的主机查找应用程序。这些方法用于训练和已知的数据集,可以构建模型的预测,或有时,做出决定关于任务。在这样一个情况下,研究人员在科技孟买(188比分直播网),孟买的印度理工学院,在最近的研究中,使用分子描述毫升途径对于某些类型的催化查找使用的,可能有几个治疗应用开发。

传统上,药物发现和配方是一个复杂的过程。具有不同的生物分子的特性,这方面的知识是药物分子结合蛋白的目标至关重要。像蛋白质和糖分子具有几何性质称为手性,当分子是相同的镜像不他们。手性分子的这种镜图像被称为对映异构体或光学异构体。换句话说,一个对映体是两个结构(立体异构体)是镜像谁不相同(类似我们右手和左手之间的差)中的一个。

期望构建一个立体异构体与所需螺旋性的结构是一项乏味的任务,使用不对称催化中通常实现的。在,手性催化剂这样的方法指示手性化合物,例如立体异构体的业主即morefavourable呈现比其他的形成。分子描述符的知识(即捕获化学性质ITS)可以加速新的不对称催化协议努力的发现。 

在治疗应用中,有不断增长的需要高纯度的手性化合物,可以通过直接的发展在不对称催化中受益。通常情况下,新的催化剂的创建涉及复杂的试错周期,因此是一个资源密集型的努力。因此,发展更快,可靠的技术来设计这样的催化剂是必要的。 

传统上,数学模型,在设计这类催化剂,包括手性不同的考虑因素,被用来都有。 ESTA涉及使用许多分子的办法,参数最适合的回归方程与优良的预测能力。往往还ESTA方法存在结合其它非线性参数是一个挑战。认识到这些挑战,研究人员在科技孟买(188比分直播网)印度理工学院转向机器学习,探讨它是否可以在他们的努力于寻找不对称催化剂帮助。 

有研究人员证明证据的概念模型,发现使用像随机森林毫升和决策树技术更好的不对称催化剂。 ESTA的方法,研究人员说,不仅可以加速这一进程增加,但其也吞吐量。在所提出的方法基于模型的数学毫升已知的催化剂,这有助于然后预测其他催化剂的有效性进行训练。与其他数据催化剂的多次运行后,这样的培训,对模型进行验证,通过一些测试设备。列车列车ESTA过程PREDICT周期加快的有利催化剂的发现。 

使用一组基板的催化剂组合的分子参数构建的随机森林的预测能力被发现是令人印象深刻。随机森林的精度被认为是优于其它方法毫升。 ESTA的做法有望跃进催化剂的设计,提供并可能在研究和扩大不对称催化剂和库底的剧目深远的影响。 

“我们认为通过机器学习什么催化剂和底物的组合有更好的倾向是成功的,可能要加上自动化的实验方案的新兴线索。我们的方法也可以在广泛的不对称反应的被利用,从而可以开辟前途走向不对称催化剂的成本效益和效率的设计途径,“招牌关教授拉加b sunoj(化学系),世卫组织领导ESTA多学科研究随着教授。 p balamurugan(工业工程和运筹学)。  

文章写的

Sudhira HS

通过图形/图像

通过从pixabay mastertux图像

Gubbi页面链接

网址Gubbi网站

 

研究领域: