{"id":1561,"date":"2024-11-18T16:30:09","date_gmt":"2024-11-18T16:30:09","guid":{"rendered":"https:\/\/www.rxnhub.com\/?page_id=1561"},"modified":"2024-11-18T19:46:59","modified_gmt":"2024-11-18T19:46:59","slug":"case-3-fra","status":"publish","type":"page","link":"https:\/\/www.rxnhub.com\/index.php\/fr\/case-3-fra\/","title":{"rendered":"Case 3 FRA"},"content":{"rendered":"\n
\n
\n
\n
\n

Maximiser la puissance des algorithmes<\/p>\n<\/div>\n\n\n\n

\n

Au cours de la derni\u00e8re d\u00e9cennie, la recherche collaborative entre chimistes, experts en chimiom\u00e9trie, ing\u00e9nieurs chimiques et data scientists a donn\u00e9 lieu \u00e0 divers algorithmes capables de pr\u00e9dire des voies de synth\u00e8se compl\u00e8tes. Ces avanc\u00e9es ont \u00e9t\u00e9 int\u00e9gr\u00e9es dans une gamme de logiciels, \u00e0 la fois commerciaux et open-source, tels qu’IBM Rxn for Chemistry, ASKCOS, Chemairs, Synthia, Reaxis et SciFinderN. Ces outils sont d\u00e9sormais facilement accessibles \u00e0 toute la communaut\u00e9 chimique. Bien qu’ils aient \u00e9t\u00e9 principalement d\u00e9velopp\u00e9s pour assister dans le d\u00e9veloppement de m\u00e9dicaments, ces outils pr\u00e9dictifs peuvent \u00e9galement am\u00e9liorer la s\u00e9lection des voies commerciales en augmentant la diversit\u00e9 des id\u00e9es.<\/p>\n\n\n\n

Une application notable de ces algorithmes a \u00e9t\u00e9 dans la synth\u00e8se du Lotiglipron chez Pfizer. En utilisant ASKCOS, un outil de r\u00e9trosynth\u00e8se d\u00e9velopp\u00e9 par le consortium Machine Learning for Pharmaceutical Discovery and Synthesis (MLPDS), les chercheurs ont int\u00e9gr\u00e9 manuellement les voies prometteuses g\u00e9n\u00e9r\u00e9es par le logiciel. ASKCOS permet aux utilisateurs de saisir une mol\u00e9cule cible et g\u00e9n\u00e8re des voies de synth\u00e8se potentielles \u00e0 l\u2019aide de mod\u00e8les d\u2019apprentissage automatique entra\u00een\u00e9s sur diverses bases de donn\u00e9es chimiques. Malgr\u00e9 la sophistication de ces outils, ils rencontrent souvent des difficult\u00e9s avec des transformations complexes, telles que celles impliquant la formation d’h\u00e9t\u00e9rocycles ou la cr\u00e9ation d’esp\u00e8ces chirales souhait\u00e9es, courantes dans les applications pharmaceutiques. En cons\u00e9quence, un effort manuel important est toujours n\u00e9cessaire pour filtrer les suggestions peu pratiques.<\/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

Dans le cas du Lotiglipron, les chercheurs ont propos\u00e9 une m\u00e9thode de traitement parall\u00e8le dans laquelle les id\u00e9es synth\u00e9tiques \u00e9taient collect\u00e9es et filtr\u00e9es s\u00e9par\u00e9ment avant d\u2019\u00eatre fusionn\u00e9es avec les contributions humaines \u00e0 la fin d\u2019un cycle. Cette approche visait \u00e0 att\u00e9nuer le bruit g\u00e9n\u00e9r\u00e9 par les algorithmes pr\u00e9dictifs, qui peuvent submerger la cr\u00e9ativit\u00e9 humaine et masquer les domaines d\u2019int\u00e9r\u00eat.<\/p>\n\n\n\n

Le principal d\u00e9fi pour affiner ces outils pr\u00e9dictifs r\u00e9side dans la qualit\u00e9 des donn\u00e9es d\u2019entra\u00eenement disponibles. Les ensembles de donn\u00e9es actuels, qui proviennent souvent de carnets de laboratoire \u00e9lectroniques, de brevets publics et de sources bibliographiques, sont biais\u00e9s en faveur des r\u00e9actions r\u00e9ussies. Les chercheurs sugg\u00e8rent que l\u2019utilisation de donn\u00e9es de meilleure qualit\u00e9 pourrait am\u00e9liorer consid\u00e9rablement les performances des algorithmes.<\/p>\n\n\n\n

Dans ce cas, le r\u00e9seau int\u00e8gre \u00e0 la fois les id\u00e9es g\u00e9n\u00e9r\u00e9es par les humains et celles g\u00e9n\u00e9r\u00e9es par les algorithmes, pr\u00e9sent\u00e9es de mani\u00e8re \u00e0 faciliter l’identification des routes de synth\u00e8se individuelles. Les six routes de synth\u00e8se propos\u00e9es par les humains et les six g\u00e9n\u00e9r\u00e9es par le logiciel ont \u00e9t\u00e9 enrichies avec des annotations et des donn\u00e9es concernant les propri\u00e9t\u00e9s sp\u00e9cifiques de chaque route, ce qui a permis l’optimisation du processus de s\u00e9lection. Ensuite, des requ\u00eates pouvaient \u00eatre effectu\u00e9es pour trouver la route de synth\u00e8se la plus courte, depuis les mol\u00e9cules cibles jusqu’aux mat\u00e9riaux de d\u00e9part, en utilisant l’algorithme de Dijkstra, qui minimise le nombre d’\u00e9tapes impliqu\u00e9es.<\/p>\n\n\n\n

Cependant, les r\u00e9sultats initiaux ont mis en \u00e9vidence la n\u00e9cessit\u00e9 de disposer d’informations plus compl\u00e8tes. Par exemple, certaines routes sugg\u00e9r\u00e9es par l’algorithme impliquaient des mat\u00e9riaux de d\u00e9part qui n’\u00e9taient pas disponibles commercialement, ce qui les rendait peu pratiques. Cela souligne l’importance d’inclure des informations sur la disponibilit\u00e9 et la complexit\u00e9 des mat\u00e9riaux de d\u00e9part dans les mod\u00e8les pr\u00e9dictifs.<\/p>\n\n\n\n

En fin de compte, ces efforts repr\u00e9sentent une avanc\u00e9e significative vers l’int\u00e9gration de l’intelligence artificielle avec l’exp\u00e9rience humaine dans la synth\u00e8se chimique. L’am\u00e9lioration continue des algorithmes pr\u00e9dictifs, combin\u00e9e \u00e0 des donn\u00e9es d’entra\u00eenement de haute qualit\u00e9, promet de r\u00e9volutionner la mani\u00e8re dont les chimistes abordent la synth\u00e8se de mol\u00e9cules complexes, ouvrant la voie \u00e0 des processus de d\u00e9veloppement de m\u00e9dicaments plus efficaces et innovants.<\/p>\n\n\n\n

Notre plateforme offre un outil complet pour concevoir des routes synth\u00e9tiques<\/p>\n\n\n\n

Notre plateforme peut int\u00e9grer les r\u00e9sultats des principaux outils pr\u00e9dictifs (selon le plan d’abonnement), tels que IBM Rxn4Chemistry, ASKCOS, Synthia et Chemical.AI, offrant une solution compl\u00e8te pour la planification des voies de synth\u00e8se. En unifiant ces algorithmes avanc\u00e9s, nous offrons aux utilisateurs un acc\u00e8s \u00e0 une large gamme de mod\u00e8les pr\u00e9dictifs et de voies de synth\u00e8se. Notre plateforme excelle dans le filtrage des donn\u00e9es, en utilisant de vastes bases de donn\u00e9es et des retours en temps r\u00e9el pour affiner les pr\u00e9dictions. Cette approche r\u00e9duit consid\u00e9rablement le bruit, garantissant que seules les voies les plus viables et innovantes sont pr\u00e9sent\u00e9es. L’interface utilisateur est intuitive, facilitant la visualisation et l’exploration des voies, tout en favorisant une collaboration fluide entre les utilisateurs.<\/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
Retour<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

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

Maximiser la puissance des algorithmes Au cours de la derni\u00e8re d\u00e9cennie, la recherche collaborative entre chimistes, experts en chimiom\u00e9trie, ing\u00e9nieurs chimiques et data scientists a donn\u00e9 lieu \u00e0 divers algorithmes capables de pr\u00e9dire des voies de synth\u00e8se compl\u00e8tes. Ces avanc\u00e9es ont \u00e9t\u00e9 int\u00e9gr\u00e9es dans une gamme de logiciels, \u00e0 la fois commerciaux et open-source, tels […]<\/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-1561","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1561","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=1561"}],"version-history":[{"count":6,"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1561\/revisions"}],"predecessor-version":[{"id":1810,"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1561\/revisions\/1810"}],"wp:attachment":[{"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/media?parent=1561"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}