Das Chimera-Framework treibt die Arzneimittelforschung voran, indem es verschiedene KI-Modelle kombiniert

Das Modell kombiniert die Vorteile verschiedener Architekturen für genauere Ergebnisse

Microsoft Research hat in Zusammenarbeit mit Novartis Chimera vorgestellt, ein Framework für maschinelles Lernen, das für eine genauere Retrosynthesevorhersage entwickelt wurde. Bei der Entdeckung neuer Medikamente müssen Chemiker herausfinden, aus welchen Molekülen eine gewünschte Substanz bestehen soll und wie diese Komponenten miteinander verbunden werden. Bisherige ML-Modelle boten akzeptable Routen, wiesen jedoch Einschränkungen auf. Chimera integriert diese Ausgaben von mehreren Modellen (mit verschiedenen induktiven Verzerrungen) und verwendet einen erlernten Mechanismus (learning-to-rank), um ihre Stärken zu kombinieren. Dies stellt eine Verlagerung von einem riesigen Modell zur intelligenten Auswertung der Ergebnisse aus mehreren kleineren Werkzeugen dar, wie zum Beispiel den kürzlich entwickelten NeuralLoc-Modellen.

Warum die Beschleunigung des Medikamentendesigns entscheidend ist

Die Entwicklung einer präzisen Verbindung zur Bekämpfung einer Krankheit dauert typischerweise Jahrzehnte und kostet Milliarden von Dollar. Die chemische Synthese war bisher ein großer Engpass, der die vollständige Nutzung der generativen KI für das molekulare Design verhinderte. Chimera komprimiert diese frühe Phase der Arzneimittelherstellung, da es eine schnelle Untersuchung von Synthesewegen ermöglicht, bevor man das Nasslabor betritt.

Abhängigkeit von der Qualität der Trainingsdaten für chemische Reaktionen

Das Modell funktioniert in der Theorie hervorragend, aber jede Vorhersage chemischer Eigenschaften stößt auf das Rauschen der verfügbaren Literaturdaten. Fehlten in der Vergangenheit Informationen zu fehlgeschlagenen Experimenten (negative Daten), können auch die am besten bewerteten Wege in der Praxis durch Nebenreaktionen scheitern. Die eigentliche Grenze für den produktiven Einsatz wird die Genauigkeit sein, die die Modelle außerhalb von Lehrbuchbeispielen zeigen.

Die Ergebnisse werden sich an realen chemischen Benchmarks zeigen

Der wahre Beweis für den Erfolg wird nicht die Genauigkeit eines Testsets sein, sondern die Fähigkeit von Chemikern in der Praxis, den vorgeschlagenen Weg ins Nasslabor zu übertragen und beim ersten Versuch ohne komplexes Redesign ein komplexes Molekül zu erzeugen.

Liliths Urteil

Für Chemiker ist dies nicht nur ein neuer Taschenrechner. Es ist die Delegierung der dunkelsten Aufgabe an einen Mechanismus, der das Beste aus mehreren Modellen zusammenfügt und Ihnen eine Liste gibt, wo Sie es versuchen können.