Biologics & Pharma

img-mv26w7pq-e1122db5

 

Leírás


A mesterséges intelligencia anyagok kutatási és fejlesztési platformjának kiterjesztése a biológiákra – fehérjék, antitestek és formulázási kihívások. Útiterv képesség fejlesztés alatt
 

  

8 29

Biológia és gyógyszerészet – Anyagrendszer / Megjósolható teljesítmény / Érvényesítési útvonal

 

 

 

 

 

 

AI biológiai és gyógyszerészeti anyagokhoz – Az anyagok kutatás-fejlesztési halmazának bővítése

 

 

1. Útiterv megjegyzés:

A MatterSeek biológiai képessége fejlesztés alatt áll. Ez az oldal leírja a haladási irányt és a peron már érvényes részeit. Nem ír le általánosan elérhető terméket.

2. A MatterSeek egy mesterséges intelligencia anyagok kutatási és fejlesztési platformja, amelynek alapvető módszere

— az anyag tulajdonságainak előrejelzése közvetlenül az összetételből, majd validálása automatizált laboratóriumban — szervetlen és szerves anyagrendszerekhez készült. Ennek a módszernek a biológiai és gyógyszerészeti anyagokra való kiterjesztése egy ütemterv, amely ugyanazon három alapon alapul: leíró alapú modellezés, hierarchikus előrejelzési architektúra és zárt kísérleti kör.

3. A mögöttes probléma közös.

A fehérje- és antitest-fejlesztés ugyanazzal a szerkezeti szűk keresztmetszetgel szembesül, mint az anyagfejlesztés: nagyon nagy tervezési terület, drága kísérleti értékelés és a programok között széttöredezett adatok. Az affinitást, a stabilitást, az aggregációs viselkedést és a formulázási kompatibilitást külön kampányokban mérik, és a köztük lévő interakciókat ritkán modellezik közösen.

4. Mit jelent az anyagok platformról? Három elem közvetlenül átvihető.

Először is, leíró alapú tulajdonság-előrejelzés – ugyanaz a megközelítés, amely több mint ezer anyagleírót kódol, közvetlen analógiával rendelkezik a sorrendben, a szerkezetben és a megfogalmazásban. Másodszor, kis adatok tanulása: A MatterSeek hierarchikus architektúráját olyan rendszerekre tervezték, ahol kevés a címkézett minta, ami a biológiai fejlesztések során inkább normális állapot, semmint kivétel. Harmadszor, zárt hurkú kísérleti tervezés – az előre jelzett bizonytalanság felhasználásával a következő kísérlet kiválasztásához, amely a készítmény szűrésére és a stabilitási vizsgálat tervezésére vonatkozik.

5. Miért fontosabb a hurok, mint a modell?

A MatterSeek autonóm laboratóriuma automatizált minta-előkészítést végez az FTIR- és NMR-analízishez, valamint az egyidejű termikus elemzéshez, architektúrája pedig a láncolt szintézis, jellemzés és adatvisszacsatolás köré szerveződik. Egy biológiai munkafolyamatnak saját előkészítésre és elemzési láncra lenne szüksége; az átvihető rész a zárt hurkú szerkezet, nem a konkrét műszerek.

6. Ahol a platform ma érvényes.

A gyógyszerészeti és biológiai szervezetek számára a jelenleg rendelkezésre álló képesség az anyagok melletti munkákban van: segédanyagok, csomagoló- és tárolóanyagok, szervetlen és szerves folyamatok, valamint szintézisben használt katalizátorrendszerek. Ezeket a meglévő szervetlen és szerves modellcsaládok kezelik. Ha Önt kifejezetten a biológiai útiterv érdekli, inkább beszéljük meg közvetlenül, mintsem a felkészültséget túlbecsüljük.

 

GYIK

 

 

K: Elérhető már a biológiai képesség?

V: Nem. Fejlesztés alatt áll. A jelenleg elérhető modellcsaládok szervetlen és szerves anyagokat foglalnak magukban.

K: Mi az, ami az anyagplatformról a biológiára megy át?

V: Leíró alapú tulajdonság-előrejelzés, kis adatok tanulása és a zárt hurkú kísérleti tervezési módszer.

K: Segíthet a MatterSeek a segédanyagokkal vagy a feldolgozási anyagokkal kapcsolatban ma?

V: Igen. A segédanyagok, a csomagoló- és tárolóanyagok, valamint a folyamatkatalizátorok a meglévő szervetlen és szerves modellek körébe tartoznak.

 

A Yuyao (Peking) Technology Co., Ltd. egy professzionális cég, amely a mesterséges intelligencia és a biológia és gyógyszerészet fejlett anyagainak metszéspontjára szakosodott. A vállalat önállóan fejlesztette ki a MatterSeeket – egy, az anyagszektorra szabott, nagy alapmodellet –, és úttörő szerepet játszott a HNN (Hierarchical Neural Network) algoritmusban, miközben felépített egy szabadalmaztatott, ellenőrizhető anyagkísérleti adatbázist.