Χημικό εργαστήριο στο Αμπερντίν του Μέριλαντ. Ενδεικτική φωτογραφία αρχείου, δεν απεικονίζει την ομάδα του CheMeleon. U.S. Army RDECOM from Aberdeen Proving Ground, MD, USA / Wikimedia Commons. Οι μικρογραφίες ενδέχεται να είναι περικομμένες. CC BY 2.0.
Η πρόβλεψη της συμπεριφοράς ενός νέου μορίου συχνά σκοντάφτει σε ένα απλό πρόβλημα: οι αξιόπιστες πειραματικές μετρήσεις κοστίζουν και είναι λίγες. Το CheMeleon, ένα μοντέλο μηχανικής μάθησης που αναπτύχθηκε στο MIT, επιχειρεί να αξιοποιήσει προηγούμενη μάθηση πάνω σε μοριακές δομές ώστε να χρειάζεται λιγότερα ειδικά δεδομένα για κάθε νέα εργασία.
Χημικό εργαστήριο στο Αμπερντίν του Μέριλαντ. Ενδεικτική φωτογραφία αρχείου, δεν απεικονίζει την ομάδα του CheMeleon. U.S. Army RDECOM from Aberdeen Proving Ground, MD, USA / Wikimedia Commons. Οι μικρογραφίες ενδέχεται να είναι περικομμένες. CC BY 2.0.
Η μέθοδος παρουσιάστηκε αναλυτικά από το πανεπιστήμιο στις 6 Νοεμβρίου. Η σχετική εργασία δημοσιεύτηκε στο Journal of Chemical Information and Modeling, ενώ προηγούμενη εκδοχή της ήταν διαθέσιμη νωρίτερα. Το μοντέλο διατίθεται ανοικτά μέσω του λογισμικού ChemProp, κάτι που επιτρέπει σε άλλες ομάδες να το εξετάσουν και να το προσαρμόσουν.
Πρώτα μαθαίνει τις δομές
Η προεκπαίδευση χρησιμοποίησε περίπου ένα εκατομμύριο μόρια από τη βάση PubChem και υπολογιζόμενα χαρακτηριστικά τους. Τέτοιοι περιγραφείς μπορούν να αποτυπώνουν, για παράδειγμα, το μοριακό βάρος ή στοιχεία της χημικής δομής. Η παραγωγή τους είναι διαφορετική διαδικασία από μια ακριβή βιολογική δοκιμή στο εργαστήριο.
Το μοντέλο εκπαιδεύεται να αναγνωρίζει σχέσεις ανάμεσα στη δομή και σε ένα μεγάλο σύνολο τέτοιων χαρακτηριστικών. Στη συνέχεια προσαρμόζεται σε συγκεκριμένη ιδιότητα, χρησιμοποιώντας τα διαθέσιμα παραδείγματα για εκείνη την εργασία. Η λογική είναι ότι μια χρήσιμη γενική αναπαράσταση του μορίου μπορεί να βοηθήσει όταν τα ειδικά παραδείγματα είναι περιορισμένα.
Πού μπορεί να χρησιμεύσει
Η διαλυτότητα, η βιολογική δραστικότητα και άλλες ιδιότητες επηρεάζουν το αν αξίζει να συντεθεί και να μελετηθεί ένα υποψήφιο μόριο. Μια καλύτερη πρόβλεψη μπορεί να βοηθήσει μια ερευνητική ομάδα να επιλέξει ανάμεσα σε πολλές δυνατότητες και να κατευθύνει πιο προσεκτικά τα πειράματά της.
Η επιλογή υποψηφίων είναι μόνο ένα βήμα. Για ένα πιθανό φάρμακο χρειάζονται ακόμη πραγματικές μετρήσεις, έλεγχοι ασφάλειας και αποτελεσματικότητας, μελέτες του τρόπου με τον οποίο συμπεριφέρεται στον οργανισμό και η προβλεπόμενη κλινική αξιολόγηση. Η υπολογιστική πρόβλεψη μιας ιδιότητας δεν αποτελεί απόδειξη ότι ένα μόριο είναι ασφαλές ή θεραπευτικά χρήσιμο.
Η δοκιμασία είναι το πραγματικά νέο μόριο
Στη μηχανική μάθηση έχει μεγάλη σημασία ποια παραδείγματα μένουν έξω από την εκπαίδευση. Αν τα μόρια της αξιολόγησης μοιάζουν υπερβολικά με όσα το μοντέλο έχει ήδη δει, η επίδοση μπορεί να δίνει υπερβολικά αισιόδοξη εικόνα. Η χρησιμότητα στο εργαστήριο κρίνεται όταν η μέθοδος αντιμετωπίζει νέες χημικές οικογένειες και πραγματικά άγνωστες περιπτώσεις.
Το ότι το εργαλείο είναι ανοικτά διαθέσιμο βοηθά στον ανεξάρτητο έλεγχο, δεν εξαλείφει όμως την ανάγκη προσεκτικής αξιολόγησης. Οι ερευνητές χρειάζεται να εξετάζουν την αβεβαιότητα, την ποιότητα των δεδομένων και τις συνθήκες κάτω από τις οποίες μια πρόβλεψη παύει να είναι αξιόπιστη. Η υπόσχεση του CheMeleon βρίσκεται στην καλύτερη αξιοποίηση των λίγων μετρήσεων, ώστε κάθε επόμενο πείραμα να γίνεται με περισσότερη πληροφορία.
Της Ολοίβιας
