{"id":1562,"date":"2024-11-18T16:29:52","date_gmt":"2024-11-18T16:29:52","guid":{"rendered":"https:\/\/www.rxnhub.com\/?page_id=1562"},"modified":"2024-11-18T19:47:02","modified_gmt":"2024-11-18T19:47:02","slug":"case-3-esp","status":"publish","type":"page","link":"https:\/\/www.rxnhub.com\/index.php\/es\/case-3-esp\/","title":{"rendered":"Case 3 ESP"},"content":{"rendered":"\n
\n
\n
\n
\n

Abrazando el Poder de los Algoritmos<\/p>\n<\/div>\n\n\n\n

\n

En la \u00faltima d\u00e9cada, la investigaci\u00f3n colaborativa entre qu\u00edmicos, expertos en quimioinform\u00e1tica, ingenieros qu\u00edmicos y cient\u00edficos de datos ha dado lugar a varios algoritmos capaces de predecir rutas de s\u00edntesis completas. Estos avances se han integrado en una variedad de paquetes de software, tanto comerciales como de c\u00f3digo abierto, como IBM Rxn for Chemistry, ASKCOS, Chemairs, Synthia, Reaxis y SciFinderN. Estas herramientas ya est\u00e1n f\u00e1cilmente accesibles para toda la comunidad qu\u00edmica. Aunque fueron desarrolladas principalmente para asistir en el desarrollo de f\u00e1rmacos, estas herramientas predictivas tambi\u00e9n pueden mejorar la selecci\u00f3n de rutas comerciales al aumentar la diversidad de ideas.<\/p>\n\n\n\n

Una aplicaci\u00f3n notable de estos algoritmos fue en la s\u00edntesis de Lotiglipron en Pfizer. Utilizando ASKCOS, una herramienta de retros\u00edntesis desarrollada por el consorcio Machine Learning for Pharmaceutical Discovery and Synthesis (MLPDS), los investigadores incorporaron manualmente rutas prometedoras generadas por el software. ASKCOS permite a los usuarios ingresar una mol\u00e9cula objetivo y genera rutas sint\u00e9ticas potenciales utilizando modelos de aprendizaje autom\u00e1tico entrenados con diversas bases de datos qu\u00edmicas. A pesar de la sofisticaci\u00f3n de estas herramientas, a menudo tienen dificultades con transformaciones complejas, como aquellas que implican la formaci\u00f3n de heterociclos o la creaci\u00f3n de especies quirales deseadas, comunes en aplicaciones farmac\u00e9uticas. Como resultado, todav\u00eda se requiere un esfuerzo manual significativo para filtrar las sugerencias poco pr\u00e1cticas.<\/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

En el caso del Lotiglipr\u00f3n, los investigadores propusieron un m\u00e9todo de procesamiento paralelo en el que las ideas sint\u00e9ticas se recopilaban y filtraban por separado antes de fusionarlas con las contribuciones humanas al final de un ciclo. Este enfoque ten\u00eda como objetivo mitigar el ruido generado por los algoritmos predictivos, los cuales pueden abrumar la creatividad humana y enmascarar \u00e1reas de inter\u00e9s.<\/p>\n\n\n\n

El principal desaf\u00edo para perfeccionar estas herramientas predictivas radica en la calidad de los datos de entrenamiento disponibles. Los conjuntos de datos actuales, que a menudo provienen de cuadernos de laboratorio electr\u00f3nicos, patentes p\u00fablicas y fuentes bibliogr\u00e1ficas, est\u00e1n sesgados hacia reacciones exitosas. Los investigadores sugieren que utilizar datos de mejor calidad podr\u00eda mejorar significativamente el rendimiento de los algoritmos.<\/p>\n\n\n\n

En este caso, la red integra tanto las ideas generadas por humanos como las generadas por algoritmos, presentadas de una manera que facilita la identificaci\u00f3n de rutas de s\u00edntesis individuales. Las seis rutas de s\u00edntesis propuestas por humanos y las seis generadas por el software se enriquecieron a\u00fan m\u00e1s con anotaciones y datos sobre propiedades espec\u00edficas de cada ruta, lo que permiti\u00f3 la optimizaci\u00f3n del proceso de selecci\u00f3n. Luego, se pod\u00edan realizar consultas para encontrar la ruta de s\u00edntesis m\u00e1s corta desde las mol\u00e9culas objetivo hasta los materiales de partida, utilizando el algoritmo de Dijkstra, que minimiza el n\u00famero de pasos involucrados.<\/p>\n\n\n\n

Sin embargo, los resultados iniciales destacaron la necesidad de contar con informaci\u00f3n m\u00e1s completa. Por ejemplo, algunas rutas sugeridas por el algoritmo implicaban materiales de partida que no estaban disponibles comercialmente, lo que las hac\u00eda poco pr\u00e1cticas. Esto subraya la importancia de incluir informaci\u00f3n sobre la disponibilidad y la complejidad de los materiales de partida en los modelos predictivos. <\/p>\n\n\n\n

En \u00faltima instancia, estos esfuerzos representan un avance significativo hacia la integraci\u00f3n de la inteligencia artificial con la experiencia humana en la s\u00edntesis qu\u00edmica. La mejora continua de los algoritmos predictivos, junto con datos de entrenamiento de alta calidad, promete revolucionar la forma en que los qu\u00edmicos abordan la s\u00edntesis de mol\u00e9culas complejas, allanando el camino para procesos de desarrollo de f\u00e1rmacos m\u00e1s eficientes e innovadores.<\/p>\n\n\n\n

Nuestra plataforma ofrece una herramienta integral para dise\u00f1ar rutas sint\u00e9ticas<\/p>\n\n\n\n

Nuestra plataforma puede integrar resultados de las principales herramientas predictivas (dependiendo del plan de suscripci\u00f3n), como IBM Rxn4Chemistry, ASKCOS, Synthia y Chemical.AI, proporcionando una soluci\u00f3n integral para la planificaci\u00f3n de rutas de s\u00edntesis. Al unificar estos algoritmos avanzados, ofrecemos a los usuarios acceso a una amplia variedad de modelos predictivos y rutas de s\u00edntesis. Nuestra plataforma destaca en el filtrado de datos, utilizando amplias bases de datos y retroalimentaci\u00f3n en tiempo real para refinar las predicciones. Este enfoque reduce significativamente el ruido, garantizando que solo se presenten las rutas m\u00e1s viables e innovadoras. La interfaz de usuario es intuitiva, lo que facilita la visualizaci\u00f3n y exploraci\u00f3n de las rutas, promoviendo una colaboraci\u00f3n fluida entre los usuarios.<\/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
Regresar<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

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

Abrazando el Poder de los Algoritmos En la \u00faltima d\u00e9cada, la investigaci\u00f3n colaborativa entre qu\u00edmicos, expertos en quimioinform\u00e1tica, ingenieros qu\u00edmicos y cient\u00edficos de datos ha dado lugar a varios algoritmos capaces de predecir rutas de s\u00edntesis completas. Estos avances se han integrado en una variedad de paquetes de software, tanto comerciales como de c\u00f3digo abierto, […]<\/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-1562","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1562","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=1562"}],"version-history":[{"count":7,"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1562\/revisions"}],"predecessor-version":[{"id":1811,"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/pages\/1562\/revisions\/1811"}],"wp:attachment":[{"href":"https:\/\/www.rxnhub.com\/index.php\/wp-json\/wp\/v2\/media?parent=1562"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}