Разработка ИИ-ассистента для поиска ингибиторов EGFR

Исследователи представили методологию создания автономного ИИ-ассистента для поиска новых лекарственных соединений, нацеленных на мутацию EGFR C797S. Система автоматизирует процесс от сбора данных из баз ChEMBL и UniProt до обучения модели Random Forest, интерпретации результатов через SHAP и генерации новых молекулярных структур с помощью фрагментации BRICS, что ускоряет поиск потенциальных кандидатов в фармацевтике.

Процесс начинается с формирования качественного набора данных pIC50, где ключевым этапом является стандартизация молекул с использованием библиотеки RDKit. Применение метода scaffold-split при разделении данных позволяет модели лучше обобщать знания о химических структурах, избегая переобучения на схожих химических каркасах. Это критически важно для задач QSAR (количественной зависимости «структура-активность»), где точность прогнозирования биологической активности напрямую влияет на успех лабораторных испытаний.

Интерпретация модели через SHAP-значения позволяет ученым выявить конкретные функциональные группы, определяющие эффективность ингибитора. Полученные данные используются для генерации новых молекул методом рекомбинации фрагментов BRICS. Такой подход превращает рутинный анализ химических библиотек в итеративный процесс поиска, где ИИ выступает в роли полноценного партнера-исследователя, сокращая время на первичный скрининг соединений.

Ключевые факты

• Целевой объект исследования: мутация EGFR C797S, связанная с резистентностью к терапии рака.
• Основные инструменты: ChEMBL и UniProt для сбора данных, RDKit для хемоинформатики, SHAP для интерпретации модели.
• Метод обучения: Random Forest с использованием scaffold-split для обеспечения надежности прогнозов.
• Генеративный компонент: использование фрагментации BRICS для создания новых перспективных молекулярных структур.
• Цель проекта: автоматизация поиска и оптимизации ингибиторов на этапе ранней разработки лекарств.