Implementation of The Future of Drug Discovery: QuantumBased Machine Learning Simulation (QMLS)

要約

医薬品開発の研究開発 (R&D) 段階は、時間と費用がかかるプロセスです。
このプロセスに革命を起こすために、当社は新しいコンセプト QMLS を導入し、研究開発フェーズ全体を 3 ～ 6 か月に短縮し、コストをわずか 5 万～8 万ドルに削減します。
ヒット生成では、機械学習分子生成 (MLMG) がターゲットタンパク質の分子構造に従ってヒットの可能性を生成し、量子シミュレーション (QS) がターゲットタンパク質との反応と結合効率に基づいて一次エッセイから分子をフィルタリングします。
次に、リード最適化では、MLMG と QS から生成およびフィルタリングされた結果の分子が比較され、両方のプロセスの結果として現れる分子は、機械学習分子バリエーション (MLMV) によって数十の分子バリエーションに作成されますが、他の分子は単に
いくつかのバリエーションが生まれます。
最後に、最適化されたすべての分子は、反応の有効性と安全性に関する高い基準を備えた複数回の QS フィルタリングを受け、数十種類の前臨床試験用医薬品が作成されます。
この論文は、量子シミュレーションと組み合わせた機械学習の概念を提案した最初の論文に基づいています。
このペーパーでは、MLMG、MLMV、QS を含む QMLS の詳細な設計とフレームワークについて説明します。

要約(オリジナル)

The Research & Development (R&D) phase of drug development is a lengthy and costly process. To revolutionize this process, we introduce our new concept QMLS to shorten the whole R&D phase to three to six months and decrease the cost to merely fifty to eighty thousand USD. For Hit Generation, Machine Learning Molecule Generation (MLMG) generates possible hits according to the molecular structure of the target protein while the Quantum Simulation (QS) filters molecules from the primary essay based on the reaction and binding effectiveness with the target protein. Then, For Lead Optimization, the resultant molecules generated and filtered from MLMG and QS are compared, and molecules that appear as a result of both processes will be made into dozens of molecular variations through Machine Learning Molecule Variation (MLMV), while others will only be made into a few variations. Lastly, all optimized molecules would undergo multiple rounds of QS filtering with a high standard for reaction effectiveness and safety, creating a few dozen pre-clinical-trail-ready drugs. This paper is based on our first paper, where we pitched the concept of machine learning combined with quantum simulations. In this paper we will go over the detailed design and framework of QMLS, including MLMG, MLMV, and QS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google