Onderzoekers hebben een kunstmatig intelligentiesysteem ontwikkeld dat kan voorspellen op welke manieren medicijnmoleculen chemische veranderingen kunnen ondergaan. Een samenwerkingsteam van de Duitse Technische Universiteit van München (LMU), ETH Zürich (ETH Zürich) en het in Bazel gevestigde Roche Pharmaceutical Research and Early Development (pRED) heeft kunstmatige intelligentie (AI) gebruikt om een nieuwe technologie te ontwerpen voor het voorspellen van de beste manier om medicijnmoleculen te synthetiseren.
"Deze aanpak heeft het potentieel om het aantal benodigde laboratoriumexperimenten aanzienlijk te verminderen, waardoor de efficiëntie en duurzaamheid van de chemische synthese wordt vergroot", zegt David Nippa, eerste auteur van het overeenkomstige artikel, dat is gepubliceerd in het tijdschrift Nature Chemistry. Nippa is een PhD-student bij de afdeling Scheikunde en Farmacie van LMU en in de onderzoeksgroep van Dr. David Konrad bij Roche.
Actieve farmaceutische ingrediënten bestaan meestal uit een raamwerk waaraan functionele groepen zijn bevestigd. Deze groepen hebben specifieke biologische functies. Om nieuwe of betere medische effecten te bereiken, moeten functionele groepen worden gewijzigd en toegevoegd aan nieuwe posities in het raamwerk. Dit proces is echter bijzonder uitdagend op het gebied van de chemie, omdat het raamwerk zelf, dat voornamelijk uit koolstof- en waterstofatomen bestaat, vrijwel inactief is.
Eén methode om raamwerken te activeren is de zogenaamde boryleringsreactie. Bij dit proces worden chemische groepen die boor bevatten, gehecht aan de koolstofatomen van het raamwerk. Deze boorgroep kan vervolgens worden vervangen door verschillende groepen met medische werking. Hoewel boroneringsreacties een groot potentieel hebben, zijn ze in het laboratorium moeilijk te controleren.
Samen met Kenneth Atz, een promovendus aan de ETH Zürich, ontwikkelde David Nipa een model voor kunstmatige intelligentie dat werd getraind op basis van betrouwbaar wetenschappelijk werk en experimentele gegevens uit de automatiseringslaboratoria van Roche. Het kan met succes de boorpositie van elk molecuul voorspellen en optimale omstandigheden bieden voor chemische transformaties. "Interessant genoeg verbeterden de voorspellingen toen rekening werd gehouden met driedimensionale informatie over de uitgangsmaterialen, in plaats van alleen met hun tweedimensionale chemische formules," zei Artz.
Deze methode is met succes gebruikt om posities in bestaande actieve ingrediënten te identificeren waar extra reactieve groepen kunnen worden geïntroduceerd. Dit helpt onderzoekers sneller nieuwe, effectievere varianten van bekende actieve ingrediënten in geneesmiddelen te ontwikkelen.
Samengesteld uit /scitechdaily