Chimeraモデルは、多様なAIモデルを組み合わせることで新薬開発を推進します

このモデルは、さまざまなアーキテクチャの利点を組み合わせて、より正確な結果をもたらします。

Microsoft Research は Novartis と共同で、より正確な逆合成予測のために設計された機械学習フレームワークである Chimera を導入しました。 新薬の発見において、化学者は、目的の物質がどのような分子から構成されるべきか、そしてこれらの成分をどのように接続するかを解明する必要があります。 以前の ML モデルは受け入れられるルートを提供していましたが、限界がありました。 Chimera は、複数のモデル (多様な誘導バイアスを持つ) からのこれらの出力を統合し、学習したメカニズム (learning-to-rank) を使用してそれらの強みを組み合わせます。 これは、1 つの巨大なモデルから、最近開発された NeuralLoc モデルなどの複数の小さなツールからの結果のインテリジェントな評価へのシフトを表しています。

なぜ新薬設計を加速することが不可欠なのか

病気と闘うための正確な化合物を設計するには、通常、数十年かかり、数十億ドルの費用がかかります。 化学合成は、これまで、分子設計に生成 AI を完全に活用することを妨げる大きなボトルネックでした。 Chimera は、ウェット ラボに入る前に合成経路を迅速に探索できるため、新薬製造のこの初期段階を圧縮します。

化学反応トレーニング データの品質への依存

モデルは理論上はうまく機能しますが、化学的特性の予測は、利用可能な文献データのノイズにぶつかります。 過去に失敗した実験に関する情報 (ネガティブ データ) が欠落していた場合、最高ランクの経路であっても、副反応のために実際には失敗する可能性があります。 運用環境での展開における真の限界は、モデルが教科書の例以外で示す精度になります。

結果は実際の化学ベンチマークで表示されます

成功の真の証拠は、テスト セットでの精度ではなく、実際に化学者が提案された経路をウェット ラボに持ち込み、複雑な再設計なしに最初の試行で複雑な分子を作成できるかどうかにかかっています。

Lilithの判定

化学者にとって、これは単なる新しい計算機ではありません。 最も暗いタスク (行き止まりを解明する) を、複数のモデルから最良のものを縫い合わせ、どこを試すべきかのリストを提供するメカニズムに委任することです。