Optibrium, un desarrollador líder de software y soluciones de inteligencia artificial para diseño molecular, anunció hoy la publicación de un estudio revisado por pares en el Journal of Computer-Aided Molecular Design, titulado “De UK-2A a florilpicoxamida: aprendizaje activo para identificar productos naturales macrocíclicos Imitaciones”. El artículo describe la aplicación exitosa del método QuanSA (análisis cuantitativo de campo de superficie), parte de la plataforma BioPharmics de Optibrium para el diseño molecular 3D, para acelerar la optimización compleja de productos naturales macrocíclicos durante el desarrollo de agroquímicos. Al reducir significativamente el número de pasos sintéticos necesarios durante la optimización, el estudio respalda la viabilidad comercial de compuestos macrocíclicos complejos.
El método QuanSA de Optibrium utiliza un enfoque de aprendizaje activo que combina dos tipos de selección molecular: el primero identifica los compuestos que se prevé que serán más activos y el segundo identifica los compuestos que se prevé que serán más útiles para la optimización de clientes potenciales. El método tiene una amplia gama de aplicaciones en la optimización de cables donde se necesita el reemplazo de andamios, desde el desarrollo de agroquímicos hasta el diseño y descubrimiento de ligandos macrocíclicos y de moléculas pequeñas. En el estudio, realizado por Optibrium en colaboración con una empresa agrícola líder, se exploró cómo este enfoque podría proporcionar una ruta más eficiente para encontrar nuevos agroquímicos (por ejemplo, para la protección de cultivos) al reducir la cantidad de compuestos que requieren síntesis.
La fluorilpicoxamida (FPX) es un mimético de un producto natural macrocíclico, UK-2A, identificado originalmente mediante un método de deconstrucción gradual que requiere miles de análogos sintéticos uno al lado del otro. en el laboratorio Y En la planta Utilizando el método QuanSA, la forma metabólica unida de FPX se identificó con éxito durante cinco rondas de selección de compuestos y optimización del modelo, reduciendo el número total de análogos sintéticos necesarios en un factor de diez.
“La predicción de afinidad basada únicamente en ligando es difícil, y los ciclos grandes aumentan la complejidad. Estamos entusiasmados de mostrar cómo el aprendizaje automático puede crear modelos verdaderamente significativos para la optimización de clientes potenciales y cómo se puede aplicar el método QuanSA de Optibrium, utilizando una estrategia de aprendizaje activo. Diseño molecular en el mundo real.»
Anne Cleaves, vicepresidenta de ciencias de aplicación, Optibrium
Ana continúa: «Los productos naturales macrocíclicos muestran un gran potencial como medicamentos y en la protección de cultivos, pero su complejidad hace que sean difíciles de fabricar e implementar a escala. Este estudio muestra que podemos simplificar enormemente el proceso de optimización de moléculas complejas no sólo para el descubrimiento de fármacos sino también para impulsar el desarrollo de nuevos agroquímicos».
«Estudiante amistoso. Jugador certificado. Evangelista de las redes sociales. Fanático de Internet. Se cae mucho. Futuro ídolo adolescente».