Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les scientifiques appliquent le réseau neuronal génératif pour produire les médicaments pharmaceutiques neufs

Les scientifiques du groupe de Mail.Ru, du médicament d'Insilico et du MIPT ont pour la première fois appliqué un réseau neuronal génératif pour produire les médicaments pharmaceutiques neufs avec les caractéristiques désirées. À l'aide des réseaux antagonistes génératifs (GANs) développés et qualifiés « inventez » les structures moléculaires neuves, là peut bientôt être une réduction spectaculaire pendant le temps et coût de rechercher des substances avec les propriétés médicinales potentielles. Les chercheurs ont l'intention d'employer ces technologies dans la recherche pour les médicaments neufs dans des endroits variés de l'oncologie à CVDs et même anti-infectives. Les premiers résultats ont été soumis à Оncotarget en juin 2016 et ont passé plusieurs mois dans la révision. Depuis lors, le groupe a apporté beaucoup d'améliorations au système et a engagé dans certaines des principales sociétés pharmaceutiques.

Actuel, la base minérale de molécule contient des centaines de millions de substances, et seulement une petite part elles sont employées en médicaments médicinaux. Les méthodes pharmacologiques de des médicaments de fabrication ont généralement une nature héréditaire. Par exemple, les pharmacologues pourraient continuer à rechercher aspirin qui a déjà été en service depuis de nombreuses années, peut-être ajouter quelque chose dans le composé réduire des effets secondaires ou augmenter le rendement, pourtant la substance reste toujours le même. Plus tôt cette année, les scientifiques au médicament d'Insilico ont expliqué qu'il est possible de rétrécir considérablement la recherche utilisant les réseaux neuronaux profonds. Mais maintenant ils se sont concentrés sur une question beaucoup plus provocante : Y a-t-il une occasion de produire les molécules conceptuellement neuves avec les propriétés médicinales employant la saveur nouvelle des réseaux neuronaux profonds qualifiés sur des millions de structures moléculaires ?

L'architecture antagoniste générative (AAE) d'Autoencoder, une prolonge des réseaux antagonistes génératifs, a été prise comme base, et des composés avec les propriétés médicinales connues et les concentrations efficaces ont été employés pour former le système. L'information sur ces types de composés a été entrée dans le réseau, qui a été alors réglé de sorte que la même caractéristique ait été acquise dans la sortie. Le réseau lui-même s'est composé de trois éléments structurels : un encodeur, un décodeur et un discriminateur, qui ont eu son propre rôle spécifique dans la « coopération » avec les autres deux. L'encodeur travaillé avec le décodeur pour comprimer et puis remettre l'information sur le composé de parent, tandis que le discriminateur aidé à rendre l'exposé comprimé plus adapté pour la guérison suivante. Par le passé le réseau a appris un navire de type SWATH large des molécules connues, l'encodeur et le discriminateur « commutés hors de », et les descriptions produites par réseau des molécules seule utilisant le décodeur.

Développer les réseaux antagonistes génératifs qui produisent les images de haute qualité basées sur les entrées textuelles a besoin de des compétences considérables et le temps de formation prolongé sur le matériel de calcul haute performance. Mais avec des images et des vidéos, les êtres humains peuvent rapidement exécuter le contrôle qualité de la sortie. Dans la biologie, le contrôle qualité ne peut pas être exécuté par l'oeil humain et un nombre considérable d'expériences de validation sera exigé pour produire les molécules grandes.

Toutes les molécules sont représentées comme « sourit », ou les annotations graphiques des produits chimiques qui permettent à leur structure d'être remise. L'inscription normale enseignée dans les écoles ne s'adapte pas pour le réseau traitant, mais les sourires ne réalisent pas la fonction très bien non plus, car ils ont une longueur faite au hasard d'un symbole à 200. La formation de réseau neuronal exige une longueur égale de description pour le vecteur. La « empreinte digital » d'une molécule résoudra cette tâche, comme elle contient l'information complète sur la molécule. Il y a beaucoup de méthodes à l'extérieur là pour effectuer ces empreintes digital, mais les chercheurs ont employé la binaire la plus simple une procurable se composant de 166 chiffres. Ils ont converti des sourires en empreintes digital et ont enseigné le réseau avec elles, après quoi les empreintes digital des composés médicinaux connus ont été entrées dans le réseau. La fonction du réseau était d'allouer les grammages intérieurs de paramètre de neurone de sorte que l'entrée spécifique ait produit la sortie spécifique. Ce fonctionnement était alors répété beaucoup de fois, comme c'est comment la formation avec de grandes quantités de caractéristiques est exécutée. Comme résultat, « une boîte noire » capable de produire un résultat spécifique pour l'entrée spécifique a été produite, après quoi les révélateurs ont retiré les premières couches, et le réseau a produit des empreintes digital par lui-même quand l'information a été faite fonctionner de nouveau. Les scientifiques ont ainsi établi des « empreintes digital » pour chacune des 72 millions de molécules, et puis comparé les empreintes digital réseau-produites avec la base. Les molécules sélectées doivent potentiellement posséder les qualités spécifiques.

Andrei Kazennov, un des auteurs de l'étude et un MIPT universitaire supérieur qui fonctionne au médicament d'Insilico, commente :

Nous avons produit un réseau neuronal du type reproducteur, c.-à-d. capable de produire des objectifs assimilés à ce qu'il a été formé en circuit. Nous avons éventuel enseigné ce modèle de réseau pour produire les empreintes digital neuves basées sur les propriétés spécifiques.

La base de données de médicament anticancéreux a été employée pour vérifier le réseau. D'abord le réseau a été formé sur moitié des composés médicinaux, et ensuite vérifié l'autre cloison. Le but était de prévoir les composés déjà connus mais non compris dans le jeu de formation. Un total de 69 composés prévus ont été recensés, et les centaines de molécules développées utilisant une prolonge plus puissante de la méthode sont sur le chemin.

Selon un des auteurs de la recherche, d'Alex Zhavoronkov, du fondateur du médicament d'Insilico et du professeur international de complément à MIPT :

À la différence des nombreuses autres méthodes populaires en apprenant profondément, les réseaux antagonistes génératifs (GANs) étaient proposés tout récemment, en 2014, par Ian Goodfellow et le groupe et les scientifiques de Yoshua Bengio explorent toujours son pouvoir en produisant des images, des vidéos, des oeuvres d'art et même de la musique signicatifs. Le rythme du progrès accélère et bientôt nous sommes susceptibles de voir d'énormes progrès provenir des combinaisons de GANs avec d'autres méthodes. Mais tout que mes groupes travaillent en circuit associe à étendre la longévité humaine, résistance et à augmenter le rendement. Quand les êtres humains vont à Mars, ils auront besoin des outils pour être plus résilients à toutes sortes de tension et pour pouvoir produire du médicament visé sur demande. Nous serons ceux fournissant ces outils.

« GANs sont vraiment beaucoup la ligne du front de neurologie. Il est bien évident qu'ils puissent être employés pour une variété beaucoup plus grande de tâches que le rétablissement simple des images et de la musique. Nous avons essayé cette approche avec la bio-informatique et avons obtenu des résultats grands, » conclut Artur Kadurin, programmeur de fil de groupe de Mail.Ru de la recherche optimisant l'équipe et le conseiller indépendant de la science de médicament d'Insilico.