药物发现未来之实现：基于量子机器学习的模拟（QMLS）
生物大分子
2024-09-06 v3 人工智能
机器学习
摘要
药物开发的研发（R&D）阶段是一个漫长且昂贵的过程。为革新此过程，我们引入新概念QMLS，将整个R&D阶段缩短至三到六个月，并将成本降至仅五万到八万美元。在苗头生成（Hit Generation）中，机器学习分子生成（MLMG）根据靶标蛋白的分子结构生成可能的苗头，而量子模拟（QS）基于与靶标蛋白的反应和结合有效性从初筛中过滤分子。然后，在先导优化（Lead Optimization）中，由MLMG和QS生成并过滤所得分子被比较，两过程均出现的分子将通过机器学习分子变异（MLMV）制成数十种分子变体，而其他分子仅制成少数变体。最后，所有优化分子将经历多轮高标准反应有效性与安全性的QS过滤，产生数十种临床前试验就绪药物。本文基于我们的第一篇论文，其中我们提出了机器学习结合量子模拟的概念。在本文中，我们将详述QMLS的设计与框架，包括MLMG、MLMV和QS。
引用
@article{arxiv.2308.08561,
title = {Implementation of The Future of Drug Discovery: QuantumBased Machine Learning Simulation (QMLS)},
author = {Yifan Zhou and Yan Shing Liang and Yew Kee Wong and Haichuan Qiu and Yu Xi Wu and Bin He},
journal= {arXiv preprint arXiv:2308.08561},
year = {2024}
}
备注
13 pages, 6 figures