{"id":1560,"date":"2024-11-18T16:30:22","date_gmt":"2024-11-18T16:30:22","guid":{"rendered":"https:\/\/www.rxnhub.com\/?page_id=1560"},"modified":"2024-11-18T19:46:56","modified_gmt":"2024-11-18T19:46:56","slug":"case-3-ger","status":"publish","type":"page","link":"https:\/\/www.rxnhub.com\/index.php\/de\/case-3-ger\/","title":{"rendered":"Case 3 GER"},"content":{"rendered":"\n
\n
\n
\n
\n

Maximierung der Kraft der Algorithmen<\/p>\n<\/div>\n\n\n\n

\n

Im letzten Jahrzehnt hat die kollaborative Forschung zwischen Chemikern, Experten f\u00fcr Chemoinformatik, Chemieingenieuren und Data Scientists verschiedene Algorithmen hervorgebracht, die in der Lage sind, komplette Syntheserouten vorherzusagen. Diese Fortschritte wurden in eine Reihe von Softwarepaketen integriert, sowohl kommerzielle als auch Open-Source-Tools, wie IBM Rxn for Chemistry, ASKCOS, Chemairs, Synthia, Reaxis und SciFinderN. Diese Werkzeuge sind jetzt f\u00fcr die gesamte Chemie-Community leicht zug\u00e4nglich. Obwohl sie urspr\u00fcnglich zur Unterst\u00fctzung der Arzneimittelentwicklung entwickelt wurden, k\u00f6nnen diese pr\u00e4diktiven Werkzeuge auch die Auswahl kommerzieller Routen verbessern, indem sie die Vielfalt der Ideen erh\u00f6hen.<\/p>\n\n\n\n

Eine bemerkenswerte Anwendung dieser Algorithmen war in der Synthese von Lotiglipron bei Pfizer. Mit ASKCOS, einem Retro-Synthese-Tool, das vom Konsortium Machine Learning for Pharmaceutical Discovery and Synthesis (MLPDS) entwickelt wurde, integrierten Forscher manuell vielversprechende Routen, die von der Software generiert wurden. ASKCOS erm\u00f6glicht es den Nutzern, ein Zielmolek\u00fcl einzugeben und potenzielle synthetische Routen zu erzeugen, indem es maschinelle Lernmodelle verwendet, die auf verschiedenen chemischen Datenbanken trainiert wurden. Trotz der Raffinesse dieser Werkzeuge haben sie oft Schwierigkeiten mit komplexen Transformationen, wie denen, die die Bildung von Heterocyclen oder die Erzeugung gew\u00fcnschter chiraler Spezies betreffen, die in pharmazeutischen Anwendungen h\u00e4ufig vorkommen. Infolgedessen ist immer noch ein erheblicher manueller Aufwand erforderlich, um unpraktische Vorschl\u00e4ge herauszufiltern.<\/p>\n\n\n\n

\n
\"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button><\/figure>\n<\/div>\n\n\n\n

Figure 1: Diversity of routes generated for a single target molecule<\/p>\n\n\n\n

Im Fall von Lotiglipron schlugen die Forscher eine Methode der Parallelverarbeitung vor, bei der synthetische Ideen separat gesammelt und gefiltert wurden, bevor sie am Ende eines Brainstorming-Zyklus mit den menschlichen Beitr\u00e4gen zusammengef\u00fchrt wurden. Dieser Ansatz hatte zum Ziel, das Rauschen zu mindern, das durch pr\u00e4diktive Algorithmen erzeugt wird, die die menschliche Kreativit\u00e4t \u00fcberw\u00e4ltigen und interessante Bereiche verschleiern k\u00f6nnen.<\/p>\n\n\n\n

Die gr\u00f6\u00dfte Herausforderung bei der Verfeinerung dieser pr\u00e4diktiven Werkzeuge liegt in der Qualit\u00e4t der verf\u00fcgbaren Trainingsdaten. Die aktuellen Datens\u00e4tze, die oft aus elektronischen Laborb\u00fcchern, \u00f6ffentlichen Patenten und Literaturquellen stammen, sind auf erfolgreiche Reaktionen ausgerichtet. Forscher schlagen vor, dass die Verwendung von qualitativ besseren Daten die Leistung der Algorithmen erheblich verbessern k\u00f6nnte.<\/p>\n\n\n\n

In diesem Fall integriert das Netzwerk sowohl die von Menschen generierten Ideen als auch die von Algorithmen generierten Ideen, die so pr\u00e4sentiert werden, dass die Identifikation einzelner Syntheserouten erleichtert wird. Die sechs von Menschen vorgeschlagenen Syntheserouten und die sechs vom Software-Algorithmus generierten Routen wurden weiter mit Anmerkungen und Daten zu spezifischen Eigenschaften jeder Route angereichert, was die Optimierung des Auswahlprozesses erm\u00f6glichte. Anschlie\u00dfend konnten Abfragen durchgef\u00fchrt werden, um die k\u00fcrzeste Syntheseroute von den Zielmolek\u00fclen zu den Ausgangsmaterialien zu finden, unter Verwendung des Dijkstra-Algorithmus, der die Anzahl der erforderlichen Schritte minimiert.<\/p>\n\n\n\n

Die ersten Ergebnisse hoben jedoch die Notwendigkeit hervor, umfassendere Informationen zu ber\u00fccksichtigen. Zum Beispiel beinhalteten einige vom Algorithmus vorgeschlagene Routen Ausgangsmaterialien, die kommerziell nicht verf\u00fcgbar waren, was sie unpraktisch machte. Dies unterstreicht die Bedeutung, Informationen \u00fcber die Verf\u00fcgbarkeit und Komplexit\u00e4t der Ausgangsmaterialien in die pr\u00e4diktiven Modelle einzubeziehen.<\/p>\n\n\n\n

Letztendlich stellen diese Bem\u00fchungen einen bedeutenden Fortschritt in Richtung der Integration von K\u00fcnstlicher Intelligenz mit menschlicher Erfahrung in der chemischen Synthese dar. Die kontinuierliche Verbesserung pr\u00e4diktiver Algorithmen, zusammen mit hochwertigen Trainingsdaten, verspricht, die Art und Weise zu revolutionieren, wie Chemiker die Synthese komplexer Molek\u00fcle angehen, und ebnet den Weg f\u00fcr effizientere und innovativere Arzneimittelentwicklungsprozesse.<\/p>\n\n\n\n

Unsere Plattform bietet ein umfassendes Werkzeug zur Planung von synthetischen Routen<\/p>\n\n\n\n

Unsere Plattform kann Ergebnisse der f\u00fchrenden pr\u00e4diktiven Tools (je nach Abonnementplan) integrieren, wie IBM Rxn4Chemistry, ASKCOS, Synthia und Chemical.AI, und bietet eine umfassende L\u00f6sung f\u00fcr die Planung von Synthesewegen. Durch die Vereinheitlichung dieser fortschrittlichen Algorithmen bieten wir den Nutzern Zugang zu einer breiten Palette pr\u00e4diktiver Modelle und Synthesewegen. Unsere Plattform zeichnet sich durch eine exzellente Datenfilterung aus, indem sie umfangreiche Datenbanken und Echtzeit-Feedback nutzt, um die Vorhersagen zu verfeinern. Dieser Ansatz reduziert erheblich das Rauschen und stellt sicher, dass nur die vielversprechendsten und innovativsten Wege pr\u00e4sentiert werden. Die Benutzeroberfl\u00e4che ist intuitiv und erleichtert die Visualisierung und Erkundung der Wege, wodurch eine reibungslose Zusammenarbeit zwischen den Nutzern gef\u00f6rdert wird.<\/p>\n\n\n\n

\n
\"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button><\/figure>\n<\/div>\n\n\n\n

Figure 2: Data aggregation capabilities possible from RxnHub platform<\/p>\n\n\n\n

\n
Zur\u00fcck<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Maximierung der Kraft der Algorithmen Im letzten Jahrzehnt hat die kollaborative Forschung zwischen Chemikern, Experten f\u00fcr Chemoinformatik, Chemieingenieuren und Data Scientists verschiedene Algorithmen hervorgebracht, die in der Lage sind, komplette Syntheserouten vorherzusagen. Diese Fortschritte wurden in eine Reihe von Softwarepaketen integriert, sowohl kommerzielle als auch Open-Source-Tools, wie IBM Rxn for Chemistry, ASKCOS, Chemairs, Synthia, Reaxis […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-1560","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1560","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/comments?post=1560"}],"version-history":[{"count":7,"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1560\/revisions"}],"predecessor-version":[{"id":1809,"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1560\/revisions\/1809"}],"wp:attachment":[{"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/media?parent=1560"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}