Upptäckten och formuleringen av nya läkemedel, antivirala medel, antibiotika och i allmänhet kemikalier med skräddarsydda egenskaper är en lång och noggrann process. Tvärvetenskaplig forskning vid korsningen av biokemi, fysik och datavetenskap kan förändra detta. Utveckling av maskininlärningsmetoder (ML), kombinerat med de första principerna för kvant- och statistikmekanik och utbildade i alltmer tillgängliga molekylära stora datamängder, har potential att revolutionera processen för kemisk upptäckt.

"Kemisk upptäckt och maskininlärning kommer att utvecklas tillsammans, men att uppnå verklig synergi mellan dem kräver att man löser många utestående utmaningar, säger Alexandre Tkatchenko, Professor i teoretisk kemisk fysik vid universitetet.

Maskininlärning för att identifiera läkemedelskandidater

Universitetet inledde ett samarbete med det belgiska företaget Janssen Pharmaceuticals våren 2020 för att utveckla nya ML -metoder för att identifiera föreningar som har en stark terapeutisk potential (kallas även läkemedelskandidater). Än så länge, ML -tillvägagångssätt har utvecklats för små molekyler. Detta forskningsprojekt syftar till att förlänga arkitekturen och överförbarheten för kvantmekanikbaserade maskininlärningsmetoder till stora molekyler av farmaceutisk betydelse.

"Generationen av nya kemikalier med aktivitet på relevanta biologiska mål är läkemedelsföretagens kärnverksamhet. Maskininlärningsmetoder har potential att påskynda processen och minska misslyckanden vid upptäckt av läkemedel. Efter att ha kontaktats av ett ledande läkemedelsföretag för att arbeta tillsammans att identifiera läkemedelskandidater är ett glädjande tecken på det industriella erkännandet av vår expertis, "kommenterar Dr Leonardo Medrano-Sandonas, en postdoktor i professor Tkatchenkos grupp.

Partner i ett innovativt utbildningsnätverk som finansieras av EU -kommissionen

Tillsammans med tre stora europeiska läkemedelsföretag (Bayer, AstraZeneca, Janssen), kemiföretaget Enamine och tio akademiska partners med expertis inom beräkningsdrogdesign, Professor Tkatchenko har beviljats ​​Marie Sklodowska-Curie Actions — Innovative Training Network-bidrag för projektet Advanced machine learning for Innovative Drug Discovery (AIDD) för perioden 2021-2023. Detta projekt syftar till att utveckla innovativa ML -metoder för att bidra till en integrerad "One Chemistry" -modell som kan förutsäga resultat från molekylgenerering till syntes och förstå hur man sammanflätar kemi och biologi för att utveckla nya läkemedel.

Här förenas vetenskaplig expertis med medicinsk och syntetisk kemisk expertis från industriella partner, och drar nytta av stora värdefulla datamängder. För första gången, all metodisk utveckling kommer att vara tillgänglig öppen källkod. Utbildningsnätverket kommer att förbereda en generation forskare som har färdigheter både i maskininlärning och kemi för att främja medicinsk kemi.

"Att göra korrekta förutsägelser med maskininlärning är kritiskt beroende av tillgång till stora samlingar av högkvalitativ data och domänkunskap för att analysera dem, "förklarar prof. Tkatchenko." Att sätta ihop våra krafter är ett första steg mot en kemisk upptäcktsrevolution som drivs av maskininlärning. "

Fältet maskininlärning för kemisk upptäckt växer fram, och betydande framsteg förväntas ske inom en snar framtid. Professor Tkatchenko har nyligen publicerat en artikel i tidningen Naturkommunikation där han diskuterar de senaste genombrotten på detta område och belyser utmaningarna för de kommande åren. Artikeln finns tillgänglig online.