Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Optibrium publica o estudo Par-Revisto major em aplicações do AI aos dados globais de Pharma

Optibrium limitou, fornecedor principal do software e as soluções da inteligência (AI) artificial para a descoberta da droga, anunciaram hoje a publicação de um estudo par-revisto em letras aplicadas do AI, “imputação profunda em dados em grande escala da descoberta da droga”.

Trabalhando com conjunto de dados global proprietário dos fármacos de Takeda, a plataforma aumentada do Chemistry® do Optibrium aplicado equipe, demonstrando o potencial da imputação de aprendizagem profunda reduzir o custo e melhorar taxas de êxito de descoberta da droga. A plataforma leverages o método de aprendizagem profundo de Alchemite™, desenvolvida por Intellegens, e mostrada para entregar umas previsões mais exactas e mais seguras de propriedades biológicas complexas de drogas potenciais, permitindo umas decisões de projecto mais eficazes.

O estudo demonstrou isso que a imputação de aprendizagem profunda gera introspecções novas e valiosas na Pharma-escala global, conjunto de dados valiosos e proprietários. Tais conjunto de dados são complexos, com os dados que derivam-se de muitas experiências diferentes, incluindo actividades compostas em ensaios bioquímicos e fenotípicos, dados e absorção da selecção da alto-produção, distribuição, metabolismo, eliminação, e valores-limite da toxicidade (ADMET).

Fazer as melhores decisões na progressão do projecto em tais dados é complicada mais pelo facto de que a maioria de compostos potenciais da droga estão medidos somente em um subconjunto pequeno das experiências que as empresas farmacêuticas e de Biotech usam rotineiramente, tendo por resultado os conjunto de dados onde somente alguns por cento das medidas possíveis foram feitos.

Além disso, as medidas são muito ruidoso devido à complexidade de experiências biológicas. Quando estas características limitarem a eficácia da maioria de métodos da aprendizagem de máquina, o estudo confirmou que Chemistry® aumentado forneceu introspecções valiosas em tais dados desafiantes.

O estudo igualmente encontrou aquele imputação de aprendizagem profunda feito umas previsões mais exactas propriedades biológicas dos compostos', incluindo a previsão em perspectiva de actividades compostas no contexto dos projectos. Em particular, mostrou vantagens substanciais em prever os valores-limite complexos, tais como os ensaios baseados em celulas, que são recurso-intensivos e onde umas previsões mais exactas conduzem às reduções substanciais do tempo e de custo.

Além disso, o método identificou confiantemente as previsões as mais exactas em que para basear decisões, que é essencial de evitar faltar as oportunidades valiosas que elevaram das previsões imprecisos. Destacou onde uns dados mais experimentais são exigidos para fazer uma decisão segura, ajustando o independentemente da outra aprendizagem de máquina e dos métodos do AI que se esforçassem para fornecer a informação segura da confiança em previsões individuais.

Seguindo um estudo precedente, que demonstrasse a eficácia da imputação de aprendizagem profunda em conjunto de dados projecto-específicos menores, este estudo novo mostrou que o mesmo método escala aos conjunto de dados globais do pharma. O modelo descrito foi construído em 1,8 milhão pontos de dados em relação a aproximadamente 700.000 compostos e a 1.200 valores-limite experimentais. Quando aplicadas nesta escala, as introspecções em compostos valiosos e as estratégias de pesquisa aumentam exponencial.

Este estudo corrobora os resultados que tremendos nós vimos em muitas colaborações com pharma, Biotech e organizações sem fins lucrativos. Nós somos entusiasmado ver que os benefícios que significativos nossa tecnologia do AI está produzindo e a entusiasmo para sua tomada na comunidade do pharma.”

Matthew Segall, CEO em Optibrium

Para ver um webinar resumindo os resultados chaves deste estudo, visite https://bit.ly/largescale_imputation.

Para mais informações sobre de Optibrium, visite por favor www.optibrium.com, contacte [email protected] ou chame +44 1223 815900.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Optibrium Ltd.. (2021, June 29). Optibrium publica o estudo Par-Revisto major em aplicações do AI aos dados globais de Pharma. News-Medical. Retrieved on October 21, 2021 from https://www.news-medical.net/news/20210629/Optibrium-Publishes-Major-Peer-Reviewed-Study-on-AI-Applications-to-Global-Pharma-Data.aspx.

  • MLA

    Optibrium Ltd.. "Optibrium publica o estudo Par-Revisto major em aplicações do AI aos dados globais de Pharma". News-Medical. 21 October 2021. <https://www.news-medical.net/news/20210629/Optibrium-Publishes-Major-Peer-Reviewed-Study-on-AI-Applications-to-Global-Pharma-Data.aspx>.

  • Chicago

    Optibrium Ltd.. "Optibrium publica o estudo Par-Revisto major em aplicações do AI aos dados globais de Pharma". News-Medical. https://www.news-medical.net/news/20210629/Optibrium-Publishes-Major-Peer-Reviewed-Study-on-AI-Applications-to-Global-Pharma-Data.aspx. (accessed October 21, 2021).

  • Harvard

    Optibrium Ltd.. 2021. Optibrium publica o estudo Par-Revisto major em aplicações do AI aos dados globais de Pharma. News-Medical, viewed 21 October 2021, https://www.news-medical.net/news/20210629/Optibrium-Publishes-Major-Peer-Reviewed-Study-on-AI-Applications-to-Global-Pharma-Data.aspx.