생성 치료 디자인

바이오제약을 위한 AI 기반 아이디어 엔진

환자에게 새로운 치료제를 제공하는 것은 어렵고 비용이 많이 들고 시간이 많이 걸립니다. 약을 개발하고 시장에 출시하는 데 드는 평균 비용은 약 30억 달러이며 12-14년이 걸릴 수 있습니다. 전체 비용의 약 3분의 1을 소비하는 신약 개발 단계는 수천 개의 분자를 합성하고 단일 전임상 리드 후보를 개발하는 데 최대 5년이 필요합니다. 또한, 1상 시험에 들어가는 화합물의 10%만이 실제로 승인을 받습니다. 우리는 인공 지능(AI)이 발견 단계를 가속화하고 발견 비용을 크게 낮출 수 있는 잠재력이 있다고 믿습니다. 추가 이점으로 AI는 과학자들이 더 높은 품질의 화합물을 진료소로 보내 실패율을 줄이는 데 도움이 될 수 있습니다. 강력한 클라우드 컴퓨팅 플랫폼의 가용성과 결합된 분자 과학 및 기계 학습의 최근 발전은 이러한 잠재력을 현실로 만들고 있습니다.

BIOVIA GTD(Generative Therapeutics Design)는 새로운 소분자의 가상 생성, 테스트 및 선택을 자동화하여 주요 후보 디자인을 개선하고 가속화합니다. 클라우드 기반 솔루션은 고급 AI/머신 러닝 기술을 사용하여 과학자들이 다음에 만들 분자를 결정하는 데 도움을 주어 신약 개발 프로세스를 안내하고 R&D 결과를 최적화하는 데 도움이 됩니다.

능동 학습

능동 학습은 계산('가상')과 실험('실제')이 결합되어 과학자들이 가능한 가장 효율적인 방법으로 최적의 답을 찾을 수 있도록 하는 기계 학습의 전문화입니다. 예를 들어 소분자 리드 발견을 사용하여 약물 발견 팀은 소량의 데이터(예:수십 가지 화합물에 대한 분석 결과)에서 구축된 초기 모델로 시작합니다. 그런 다음 그들은 이 모델을 사용하여 모델의 범위를 향상시킬 수 있는 새로운 화합물을 제안합니다. 일련의 새로운 화합물을 합성하고 분석할 때 새로운 훈련 데이터를 사용하여 모델을 다시 훈련하고 개선할 수 있습니다. 이러한 방식으로 모델을 반복적으로 업데이트하는 것은 가장 적은 반복을 사용하여 설계를 최적화하는 잘 정립된 접근 방식이므로 전체 검색 타임라인이 단축됩니다. 모델의 범위와 품질이 향상됨에 따라 원하는 목표 제품 프로필(TPP)을 달성하기 위해 권장되는 화합물이 더욱 다양해지고 성공할 가능성이 높아집니다.

Human-in-the-Loop AI

Generative Therapeutics Design은 수천 개의 가상 분자를 반복적으로 생성하여 최적의 새로운 리드 후보를 위한 방대한 화학 디자인 공간을 탐색합니다. 리드 최적화는 다중 목표 최적화 과제이므로 시스템은 약물 활성, 용해도, 간독성, 약물 가용성 및 대사 안정성과 같은 중요한 표적 속성과 잠재적으로 합성 용이성, 개발 가능성 및 특허 가능성과 같은 IP 고려 사항을 평가하고 균형을 유지합니다.

벤치 화학자는 이 프로세스에 대한 전문적인 통찰력을 제공하여 기계 예측을 보완하고 후속 설계 반복에 영향을 줄 수 있습니다. 우리는 이 "human-in-loop" 개념에 대해 "증강 지능"이라는 용어를 사용합니다. 인간 지능은 기계 지능과 협력하여 더 빠르고 정확한 결과를 도출합니다.

Lab-in-the-Loop AI

물론 과학자들은 실험실에서 유망한 구조를 검증해야 합니다. 이 "Lab-in-Loop 인공 지능"은 편견 없는 기계 학습 방법의 장점과 실제 실험, 과학 전문가의 지식 및 경험을 결합한 것입니다.

설계 프로세스의 일부로 시스템은 타사 공급업체 또는 합성 회사에서 구입할 수 있는 시약을 고려할 수 있으므로 조직은 내부 실험실과 협력하거나 계약 연구 기관.

지속적인 복합 테스트는 예측 모델을 개선하기 위해 추가 교육 데이터를 제공합니다. 실제 테스트와 결합된 이 중요한 능동적 학습 프로세스는 모델의 범위를 확장하여 후속 반복이 새로운 영역을 탐색할 수 있도록 합니다. 이 과정은 약사가 TPP를 충족하는 화합물을 찾을 때까지 계속됩니다.

모델링 및 시뮬레이션

모델링 및 시뮬레이션은 자동화된 기계 학습 방법을 보완할 수 있습니다. 전산 화학자는 첫 번째 원칙에서 복잡한 시스템을 모델링하고 벤치 실험을 통해 얻을 때 훨씬 더 오래 걸리고 훨씬 더 많은 비용이 드는 통찰력을 얻을 수 있습니다. 예를 들어, 약전 점수, 분자 도킹 및 자유 에너지 교란(FEP)과 같은 방법은 과학자들이 제안된 약물 분자가 질병과 관련된 단백질과 상호 작용하는지 여부와 방법을 3차원으로 예측하는 데 도움이 될 수 있습니다. 과학자들은 이러한 방법을 자동화하고 생성 설계 프로세스의 일부로 실행할 수 있습니다.

사례 연구

미국의 한 대형 제약회사는 BIOVIA Generative Therapeutics Design을 사용하여 초기 프로젝트 화합물 세트에서 일련의 고품질 기계 학습 모델을 구축할 수 있었습니다. 이 모델을 기반으로 시스템은 다음 단계의 합성 및 테스트를 위한 일련의 화합물을 제안했습니다. 시스템은 프로젝트 화합물에서 비정형적이지만 특정 치료 대상에 가치가 있는 것으로 간주되는 구조적 모티프에 대해 빠르게 '배웠습니다'. 의약 화학자는 또한 이러한 화합물 주변의 더 좁은 화학 공간을 활용하기 위해 일정하게 유지해야 하는 출발 화합물의 부분을 지정할 수 있습니다. 그 결과 친숙한 합성 경로와 향상된 TPP를 가진 새로운 가상 화합물이 제안되었습니다.

궁극적으로 의약 화학자들은 시스템에서 제안한 화합물의 약 80%가 예측된 특성 프로필을 충족하고 한 화합물이 완전한 목표 제품 프로필을 충족한다는 것을 발견했습니다. 화학자들의 피드백은 제안된 화합물의 대부분이 이미 고려 중인 화합물과 구조적으로 유사하기 때문에 고무적이라는 것이었습니다. 훨씬 더 흥미로운 것은 제안된 화합물의 하위 집합이 구조적으로 새롭고 전통적인 방법을 사용하면 고려하지 않았을 화합물이라는 것입니다. 여기에서 Generative Therapeutics Design이 이러한 화학자들이 일반적으로 연구하는 영역 외부의 화합물을 제안할 때 진정한 가치를 보여줍니다.

세 가지 핵심 사항

마지막 한마디

제너레이티브 디자인 도구는 대규모 비즈니스 워크플로의 일부로 사용될 때 특히 강력합니다. BIOVIA는 실험 실험실의 요청 관리, 가상 및 실제 화합물 및 테스트 결과 등록, 기계 학습 모델의 자동 재학습을 포함하여 가상 및 실제(V+R) 데이터의 협업 조합을 위한 도구를 추가하고 있습니다. 이러한 방식으로 고객은 기존 워크플로 및 비즈니스 프로세스에 획기적인 새로운 과학을 포함할 수 있습니다.

약물 재활용을 위한 약전 유도 가상 스크리닝 온라인 파이프라인 파일럿 교육