Lacroix Des scientifiques de l’Université de Toronto ont testé avec succès l’utilisation de modèles d’apprentissage automatique pour guider la conception de formulations de médicaments injectables à motion prolongée.
La recherche multidisciplinaire est dirigée par Christine Allen du département des sciences pharmaceutiques de l’Université de Toronto et Alán Aspuru-Guzik, des départements de chimie et d’informatique. Les deux chercheurs sont également membres de l’Acceleration Consortium, une initiative mondiale qui utilise l’intelligence artificielle et l’automatisation pour accélérer la découverte de matériaux et de molécules nécessaires à un avenir strong.
en mettant l’accent sur les injectables à longue durée d’action », a déclaré Christine Allen, professeure de sciences pharmaceutiques à la Faculté de pharmacie Leslie Dan de l’Université de Toronto. en fin de compte, de meilleures médicaments.”
à réduire les effets secondaires et à augmenter l’efficacité lorsqu’ils sont injectés à proximité du site d’action dans le corps. Cependant.
« L’IA transforme notre façon de faire de la science. Elle contribue à accélérer la découverte et l’optimisation. a déclaré Alán Aspuru-Guzik, professeur de chimie et d’informatique à l’Université de Toronto, qui détient également la chaire de recherche CIFAR en intelligence artificielle au Vector Institute de Toronto.
l’équipe de recherche a formé et évalué une série de onze modèles différents, y compris la régression linéaire several (MLR), la forêt aléatoire (RF), la machine à gradient de lumière (lightGBM), et les réseaux de neurones (NN).
“Une fois que nous avons eu l’ensemble de données, nous l’avons divisé en deux sous-ensembles : l’un utilisé pour former les modèles et l’autre pour les tests. Nous avons ensuite demandé aux modèles de prédire les résultats de l’ensemble de test et de les comparer directement avec les données expérimentales précédentes. Nous avons constaté que les modèles arborescents, et as well as particulièrement lightGBM, ont fourni les prédictions les in addition précises », a déclaré Pauric Bannigan, chercheur associé au groupe de recherche Allen de la faculté de pharmacie Leslie Dan de l’Université de Toronto.
l’équipe a utilisé des techniques analytiques avancées pour extraire les critères de conception du modèle lightGBM. Cela a permis la conception d’une nouvelle formulation LAI pour un médicament actuellement utilisé pour traiter le most cancers de l’ovaire. “Une fois que vous avez un modèle formé. a déclaré Bannigan. Une fois préparé, le taux de libération du médicament a été testé et a ensuite validé les prédictions faites par le modèle lightGBM. “Bien sûr, la formulation avait le taux de libération lent que nous recherchions. C’était crucial automobile dans le passé, il nous aurait fallu plusieurs itérations pour arriver à un profil de publication qui ressemblait à ceci. nous y sommes arrivés en un”, a-t-il déclaré.
ce qui ralentit le rythme de développement des injectables à longue durée d’action. Cependant, les auteurs de l’étude identifient que le manque d’ensembles de données open supply disponibles dans les sciences pharmaceutiques représente un défi essential pour les progrès futurs. “Lorsque nous avons commencé ce projet. a déclaré Allen. a déclaré Allen. “Il y a un réel besoin de créer des bases de données robustes en sciences pharmaceutiques qui soient en libre accès et disponibles pour tous afin que nous puissions travailler ensemble pour faire avancer le domaine”, a-t-elle déclaré.
Allen et l’équipe de recherche ont rendu leurs ensembles de données et leur code disponibles sur la plate-forme open up supply Zenodo.
“Pour cette étude. a déclaré Bannigan. “Nous avons rendu nos ensembles de données entièrement disponibles afin que d’autres puissent, espérons-le.”
