机器学习加速药物配制

多伦多大学的研究人员表示，他们已经成功地测试了使用机器学习模型来指导长效注射药物配方的设计。该团队补充说，机器学习算法加速药物配制的潜力可以减少与药物开发相关的时间和成本，从而更快地提供有前途的新药，他们的研究“加速聚合物长效注射剂设计的机器学习模型”出现在《自然通讯》中。

“机器学习正在推动包括药物发现和材料科学在内的许多领域的飞跃式进步。目前的研究朝着数据驱动的药物制剂开发迈出了关键一步，重点是长效注射剂，”研究人员写道。“在这里，我们展示了机器学习算法可用于预测这些先进药物输送系统的实验药物释放。我们还证明，这些训练有素的模型可用于指导新型长效注射剂的设计。”

这项多学科研究由多伦多大学药学系的ChristineAllen博士和化学与计算机科学系的AlánAspuru-Guzik博士领导。两位研究人员也是AccelerationConsortium的成员，AccelerationConsortium是一项全球倡议，利用人工智能和自动化来加速发现可持续未来所需的材料和分子。

关键步骤

“这项研究朝着数据驱动的药物制剂开发迈出了关键一步，重点是长效注射剂，”艾伦说。“我们已经看到机器学习如何在发现有潜力成为药物的新分子方面实现了令人难以置信的飞跃式进步。我们现在正在努力应用相同的技术来帮助我们设计更好的药物配方，并最终设计出更好的药物。”

长效注射剂(LAI)被认为是治疗慢性病最有前途的治疗策略之一，是一类先进的药物输送系统，旨在长时间释放其货物以实现长期治疗效果。这种方法可以帮助患者更好地坚持他们的药物治疗方案，减少副作用，并在靠近身体作用部位注射时提高疗效。

来自多伦多大学的ChristineAllen博士和AlánAspuru-Guzik博士正在结合制药科学、人工智能和机器学习方面的专业知识，以更快地开发新药配方。[史蒂夫索森]

然而，要在所需的时间内实现最佳的药物释放量，需要通过广泛且耗时的实验来开发和表征各种候选制剂。与更传统类型的药物制剂相比，这种反复试验的方法在LAI开发中造成了重大瓶颈。

“人工智能正在改变我们从事科学研究的方式。它有助于加速发现和优化。这是‘人工智能之前’和‘人工智能之后’时刻的完美例子，展示了这种多学科研究如何影响药物输送，”Aspuru-Guzik指出。

为了研究机器学习工具是否能够准确预测药物释放速率，研究团队训练并评估了一系列11种不同的模型，包括多元线性回归(MLR)、随机森林(RF)、光梯度增强机(lightGBM)、和神经网络(NN)。用于训练选定的机器学习模型组的数据集是根据作者和其他研究小组先前发表的研究构建的。

“一旦我们有了数据集，我们就将其分成两个子集：一个用于训练模型，一个用于测试。然后我们让模型预测测试集的结果，并直接与之前的实验数据进行比较。我们发现基于树的模型，特别是lightGBM，提供了最准确的预测，”多伦多大学LeslieDan药学院艾伦研究小组的助理研究员PauricBannigan博士解释说。

应用预测

下一步，该团队致力于应用这些预测并说明如何使用机器学习模型来为新LAI的设计提供信息。他们使用先进的分析技术从lightGBM模型中提取设计标准。这允许为目前用于治疗卵巢癌的药物设计新的LAI配方。

“一旦你有了训练有素的模型，你就可以解释机器学到的东西，并用它来为新系统制定设计标准，”Bannigan继续说道。准备好后，将测试药物释放速率，并进一步验证lightGBM模型所做的预测。

“果然，该配方具有我们正在寻找的缓释率。这很重要，因为在过去，我们可能需要多次迭代才能获得看起来像这样的发布配置文件，而通过机器学习，我们一次就完成了，”他指出。

尽管当前研究的结果令人鼓舞，并表明机器学习有可能减少对试错法测试的依赖，从而减缓长效注射剂的开发速度，但作者认为缺乏可用的开源数据集制药科学领域的研究代表了对未来进步的重大挑战。

“当我们开始这个项目时，我们对使用聚合物微粒的大量研究报告缺乏数据感到惊讶，”艾伦说。“这意味着无法利用研究和相关工作来开发我们推动该领域进步所需的机器学习模型。确实需要在药学领域创建强大的数据库，开放访问并可供所有人使用，以便我们可以共同努力推动该领域的发展。”

为了促进向支持机器学习更广泛地整合到制药科学中所需的可访问数据库的转变，Allen和研究团队在开源平台Zenodo上提供了他们的数据集和代码。