PGFS++: Molecular Property Improvement under Synthesis and Diversity Constraints
Dieses Paper stellt PGFS++ vor, ein synthesebewusstes Reinforcement-Learning-Framework, das molekulare Eigenschaften verbessert, während es gleichzeitig die Output-Diversität bewahrt und explizite Synthesewege bereitstellt, indem es die Einschränkungen bei der Reaktantenauswahl und das durch Reward-Hacking verursachte Zusammenbrechen der Diversität adressiert, welche in seinem Vorgänger PGFS+ gefunden wurden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In den frühen Phasen der Entwicklung neuer Medikamente stehen Wissenschaftler vor einem ständigen Balanceakt. Sie müssen Moleküle entwerfen, die potent genug sind, um Krankheiten zu bekämpfen, aber sie müssen auch sicherstellen, dass diese Moleküle in einem Labor tatsächlich hergestellt werden können. Jahrelang hat künstliche Intelligenz geholfen, neue Molekülstrukturen zu generieren, indem sie diese oft auf spezifische Eigenschaften optimierte, wie etwa wie gut sie an ein Virus binden könnten oder wie sicher sie für den menschlichen Körper sind. Es blieb jedoch eine erhebliche Lücke bestehen: Viele dieser computergenerierten Designs sind auf dem Papier chemisch valide, aber mit den Werkzeugen und Zutaten, die in realen Laboren zur Verfügung stehen, unmöglich herzustellen. Um diese Lücke zu schließen, haben Forscher sich einer Methode namens Vorwärts-Synthese (Forward Synthesis) zugewandt, die die Arzneimittelherstellung wie ein schrittweises Konstruktionsprojekt behandelt, bei dem man von einem bekannten Molekül ausgeht und Teile einzeln unter Verwendung etablierter chemischer Reaktionen hinzufügt. Das Ziel ist es, den Computer nicht nur zu einem besseren Molekül zu führen, sondern zu einem besseren Molekül, das mit einer klaren, machbaren Bedienungsanleitung für dessen Bau kommt.
Ein Forschungsteam der University of Cambridge und Graphcore hat ein neues System namens PGFS++ entwickelt, um ein spezifisches Problem zu lösen, das auftrat, als man versuchte, diesen Prozess zu automatisieren. Ihre Arbeit baut auf einer früheren Methode namens PGFS auf, die eine Art von künstlicher Intelligenz-Lernen namens Reinforcement Learning (bestärkendes Lernen) verwendete. In diesem Aufbau agiert der Computer als ein Agent, der versucht, ein Ausgangsmolekül zu verbessern, indem er chemische Reaktionen und Bausteine auswählt. Die vorherige Version dieses Systems, ein Upgrade namens PGFS+, funktionierte gut bei der Suche nach Molekülen mit verbesserten Eigenschaften, litt jedoch unter einem seltsamen Fehler. Das System wurde zu effizient darin, eine einzige, hochbelohnende Lösung zu finden. Anstatt eine große Vielfalt an verbesserten Versionen für verschiedene Ausgangsstoffe zu erstellen, führte es hunderte verschiedene Input-Moleküle zum exakt gleichen Endprodukt zusammen. Die Forscher nennen dies den „Magnet“-Effekt, bei dem das System zu einem einzigen hoch bewerteten Ergebnis gezogen wird, was die Diversität der Ergebnisse kollabieren lässt und das Werkzeug unbrauchbar macht, um maßgeschneiderte Verbesserungen für spezifische Medikamente zu entwickeln.
Um dies zu beheben, führte das Team PGFS++ ein, ein verfeinertes Framework, das den Computer dazu zwingt, die Verbindung zwischen dem Ausgangsmaterial und dem Endergebnis beizubehalten. Das System arbeitet weiterhin damit, Reaktionsvorlagen und kompatible Bausteine aus einer riesigen Bibliothek von über 118.000 verfügbaren chemischen Bestandteilen auszuwählen. Es nutzt eine vorab berechnete Karte, um schnell zu identifizieren, welche Bausteine legal mit einem spezifischen Teil des Moleküls reagieren können, wodurch Millionen von Möglichkeiten auf eine handhabbare Liste reduziert werden. Die entscheidende Innovation liegt darin, wie sich das System selbst belohnt. In der vorherigen Version wurde der Computer nur belohnt, wenn das Endmolekül bessere Eigenschaften aufwies, was ihn dazu ermutigte, den Ausgangspunkt völlig zu ignorieren. In PGFS++ enthält das Belohnungssystem einen Bonus für die Beibehaltung der strukturellen Ähnlichkeit zum ursprünglichen Input. Das bedeutet, dass der Computer bestraft wird, wenn er zu weit vom Ausgangsmolekül abweicht, was sicherstellt, dass die Verbesserungen spezifisch für diesen speziellen Wirkstoffkandidaten sind, anstatt eine generische Einheitslösung zu sein.
Die Ergebnisse dieses neuen Ansatzes wurden an zwei gängigen Maßen für die Qualität von Arzneimitteln getestet: einem Score dafür, wie „arzneistoffähnlich“ ein Molekül ist, und einem Score dafür, wie einfach es zu synthetisieren ist. Als die Forscher Simulationen mit tausenden verschiedenen Ausgangsmolekülen durchführten, verbesserte das neue System erfolgreich die Zielparameter, während es gleichzeitig die Diversität der Ergebnisse beibehielt. Im Gegensatz zur früheren Version, die für fast jeden Input nahezu identische Moleküle produzierte, generierte PGFS++ eine breite Palette einzigartiger, verbesserter Strukturen. Das System behielt auch hohe Werte für die synthetische Zugänglichkeit bei, was bedeutet, dass die gefundenen Routen für Chemiker praktikabel waren. Durch die Verhinderung des Kollapses in eine einzige „Magnet“-Lösung demonstrierten die Forscher, dass es möglich ist, Wirkstoffkandidaten für spezifische Bedürfnisse zu optimieren, ohne die Vielfalt zu opfern, die zur Erforschung verschiedener chemischer Möglichkeiten erforderlich ist. Diese Arbeit legt nahe, dass zukünftige Werkzeuge zur Arzneimittelentdeckung sowohl hochwirksam bei der Verbesserung molekularer Eigenschaften als auch respektvoll gegenüber den einzigartigen Ausgangspunkten sein können, die die reale Forschung definieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.