Insilico Medicine科学家提出了更严格的标准来评估人工智能生成的分子
ACS 期刊《药物化学快报》中的一个新的微观视角从药物化学家的角度评估了人工智能 (AI) 生成的分子结构的最新研究，并提出了评估这些化合物的新颖性和有效性的指南。该观点作为该杂志虚拟特刊“新的药物发现技术——最新进展”的一部分发表，对过去两年发表的生成化学产生的八种分子结构进行了分析，以揭示人工智能和机器学习的影响( ML)现代药物发现方法。作者总共找到了 55 篇涉及生成化学工作的最新出版物。
设计在疾病背景下新颖且实验有效的综合可行的分子结构是生成化学算法的一个挑战。Insilico Medicine 总裁 Alex Aliper 博士表示：“我们希望对某些 AI 和 ML 生成化学方法的优势进行深入分析，以产生真正新颖且合成可行的分子结构。”研究。
作者并没有简单地关注人工智能生成的结构，而是从药物化学家的角度检查这些结构的有效性——包括合成和生物学评估。
最终，Insilico 的科学家们表示，随着“生成人工智能”和“生成化学”等术语变得更加广泛，有必要更好地定义相关术语，并证明通过各种措施生成的结构的有效性。他们的建议包括：
彻底检查生成的结构的新颖性和可专利性。
使用合理平衡的预处理规则和适合生成管道的药物化学过滤器。
避免误导性陈述，尤其是“新候选药物”和“新先导化合物”，这些陈述必须有详尽的生物学数据支持。在许多情况下，“主要打击化合物”是唯一可以合理地应用于生成来源的活性化合物的术语。
采用严格的相似性度量。
除了作者提出的最有希望的结构之外，为药物化学家提供所有生成的结构。
至少使用标准 MTS 或 MTT 测定法评估 AI 来源的活性分子，以避免非特异性作用和细胞性。
评估合成可及性。
改进生成引擎，更加关注训练集、测试集和相似度指标。
更多地关注强化学习，使用先进的系统和流程来快速评估生成的分子的所需特性。
Insilico Medicine 创始人兼首席执行官、该论文的合著者Alex Zhavoronkov博士表示：“我们对化学中越来越多地使用生成式人工智能感到鼓舞，这有助于加快和扩大药物发现工作。” “但我们认为，生成化学领域的出版物应始终包括药物化学家的实验验证以及严格的评估和审查。我们认为，通过引入新技术，从药物化学的角度生成和评估新颖的分子结构，可以进一步改进这一过程，从而生产下一代新型人工智能生成的药物。”
版权声明：本文由用户上传，如有侵权请联系删除！