Diese Übersicht untersucht die modernen Anwendungen von KI in der Entwicklung von kleinen Molekülen seit 2019. Zunächst wird die KI-gestützte Arzneimittelentdeckung beschrieben, die die Zielidentifizierung, die Syntheseplanung und die klinischen Phasen der Arzneimittelentwicklung umfasst. Zu den Anwendungen gehören die Entdeckung von Biomarkern, die Wiederverwendung von Arzneimitteln und die Vorhersage von pharmakokinetischen Eigenschaften.
KI hat die Methoden der Arzneimittelentdeckung revolutioniert und die Effizienz in verschiedenen Phasen erheblich verbessert. Sie erleichtert die Zielidentifizierung, das virtuelle Screening, die ADMET-Vorhersagen (Absorption, Verteilung, Metabolismus, Exkretion und Toxizität) und die Automatisierung der Synthese. Forscher nutzen fortschrittliche Algorithmen, um die Entdeckung neuer therapeutischer Mittel zu beschleunigen, die Genauigkeit der Vorhersagen zu verbessern und die Kosten zu senken.
Die Identifizierung von kleinen Molekülzielen ist ein entscheidender Prozess in der Arzneimittelentdeckung. Traditionelle Methoden wie Affinitäts-Pull-Down und Whole-Genome-Knockdown-Screening sind zeitaufwendig und arbeitsintensiv. KI ermöglicht die Analyse großer Datensätze innerhalb komplexer biologischer Netzwerke und identifiziert krankheitsbezogene molekulare Muster und potenzielle Arzneimittelziele.
Neueste Forschungen verwenden NLP-Techniken, wie z. B. word2vec-Embeddings, um die Sensitivität der Zielidentifizierung zu erhöhen. Die Graph-Deep-Learning-Technologie kombiniert Graphstrukturen mit Deep Learning, um effektiv Kandidatenziele zu identifizieren. Eine aktuelle Studie entwickelte einen interpretierbaren Rahmen unter Verwendung von multi-omischen Netzwerkgraphen zur effektiven Vorhersage von Krebsgenen.
Die Integration von Multi-Omics-Daten mit wissenschaftlicher Literatur in Wissensgraphen ermöglicht es der KI, Beziehungen zwischen Genen und Krankheitswegen zu erkennen. Biomedizinische LLMs, die tief in biologische Netzwerke integriert sind, bieten effiziente Methoden zur Verknüpfung von Krankheiten, Genen und biologischen Prozessen. Die PandaOmics-Plattform erkannte TRAF2- und NCK-interagierende Kinasen als potenzielles Ziel für die antifibrotische Therapie, was zur Entwicklung eines spezifischen Inhibitors führte.
Reale Daten, wie medizinische Aufzeichnungen und elektronische Gesundheitsakten, liefern wesentliche Kontextinformationen zum Verständnis komplexer Krankheiten. Allerdings enthalten reale Daten oft unstrukturierte Texte und fehlen an Standardisierung, was ihre Anwendung einschränkt. Trotz dieser Herausforderungen zeigen neueste Studien, dass rauschende reale Daten effektive Modelle zur Entdeckung von Genen trainieren können.
Virtuelles Screening ist entscheidend für die Identifizierung potenzieller Arzneimittelkandidaten. KI-basierte Rezeptor-Ligand-Docking-Modelle können Ligandentransformationen vorhersagen und atomare Koordinaten generieren. Neueste Fortschritte in Rezeptor-Ligand-Co-Folding-Netzwerken zeigen vielversprechende Ergebnisse bei der Vorhersage komplexer Strukturen direkt aus Sequenzinformationen.
In Abwesenheit von Zielstrukturen können KI-Techniken in sequenzbasierten Vorhersagemethoden eingesetzt werden, obwohl diese oft Schwierigkeiten haben, die Komplexität der Protein-Ligand-Interaktionen zu erfassen. Das phänotypbasierte virtuelle Screening ist entscheidend für Krankheiten, die keine definierten Ziele haben.
Aktuelle Modelle konzentrieren sich auf spezifische Aufgaben, was den Bedarf an universellen Modellen unterstreicht, die mehrere Aufgaben bewältigen können. Aktives Lernen und bayesianische Optimierung sind effektive Methoden zur Verbesserung der Effizienz des virtuellen Screenings. Die Integration von Quantenmechanik mit KI bietet neue Werkzeuge zur Erkundung des chemischen Raums.
Die De-novo-Arzneimittelgestaltung, ermöglicht durch KI, erstellt autonom neue chemische Strukturen, die die gewünschten molekularen Merkmale erfüllen. Traditionelle Methoden basieren auf Experten. KI hat die Identifizierung neuer Strukturen automatisiert und eine effizientere Ära der Arzneimittelentdeckung eingeläutet.
ADMET-Vorhersagen sind entscheidend für die Bestimmung der Wirksamkeit und Sicherheit von Arzneimitteln. KI sagt ADMET-Eigenschaften unter Verwendung vordefinierter Merkmale voraus, wobei das Deep Learning diese Vorhersagen antreibt. Trotz der Fortschritte bleiben Herausforderungen bestehen, einschließlich hoher Kosten und begrenzter beschrifteter Daten.
Die Interpretierbarkeit in KI-Modellen ist entscheidend für das Verständnis der Beziehungen zwischen molekularen Unterstrukturen und Eigenschaften. Aufmerksamkeitsmechanismen verbessern die Interpretierbarkeit, indem sie wichtige Atome identifizieren. Die Integration chemischen Wissens kann die Transparenz des Modells weiter verbessern.
Die automatisierte Synthese organischer Verbindungen stellt eine hochmoderne Grenze in der Chemie dar. CASP hilft Chemikern, Reaktionswege zu bestimmen. Neueste Fortschritte in KI-gestützten automatisierten Synthesetechniken haben die Effizienz der Arzneimittelentdeckung verbessert.
Die KI-Technologie erleichtert die in vivo Validierung der Wirkmechanismen neuer Medikamente. Das Hochdurchsatz-Screening, das die Echtzeitänderungen in Omics-Daten überwacht, ermöglicht es der KI, Modelle zu entwickeln, die in der Lage sind, die Mechanismen und Eigenschaften neuer Verbindungen zu entschlüsseln.