Біопрепарати та фармацевтика

img-mv26w7pq-e1122db5

 

опис


Розширення платформи досліджень і розробок матеріалів штучного інтелекту на біологічні препарати — проблеми з білками, антитілами та складами. Розробка можливостей дорожньої карти
 

  

8 29

Біологічні препарати та фармацевтика — Матеріальна система / Передбачувана ефективність / Шлях перевірки

 

 

 

 

 

 

ШІ для біологічних препаратів і фармацевтичних матеріалів — розширення стеку досліджень і розробок матеріалів

 

 

1. Примітка до дорожньої карти:

Біологічні можливості MatterSeek знаходяться в розробці. На цій сторінці описано напрямок руху та частини платформи, які вже застосовуються. Він не описує загальнодоступний продукт.

2. MatterSeek — це платформа досліджень і розробок матеріалів штучного інтелекту, основний метод якої

— прогнозування властивостей матеріалу безпосередньо за складом, а потім перевірка в автоматизованій лабораторії — створено для систем неорганічних і органічних матеріалів. Розширення цього методу на біопрепарати та фармацевтичні матеріали є напрямком дорожньої карти, який базується на тих самих трьох основах: моделюванні на основі дескрипторів, ієрархічній архітектурі прогнозування та замкнутому експериментальному циклі.

3. Основна проблема є спільною.

Розробка білків і антитіл стикається з тим самим структурним вузьким місцем, що й розробка матеріалів: дуже великий простір для проектування, дорога експериментальна оцінка та дані, які фрагментовані між програмами. Спорідненість, стабільність, агрегаційна поведінка та сумісність рецептур вимірюються в окремих кампаніях, а взаємодія між ними рідко моделюється спільно.

4. Що перекладається з платформи матеріалів. Три елементи передаються безпосередньо.

По-перше, передбачення властивостей на основі дескрипторів — той самий підхід, який кодує понад тисячу дескрипторів матеріалу, має прямий аналог у дескрипторах послідовності, структури та формулювання. По-друге, навчання з невеликими даними: ієрархічна архітектура MatterSeek була розроблена для режимів, де мічених зразків мало, що є нормальним станом у розробці біопрепаратів, а не винятком. По-третє, схема експерименту із замкнутим циклом — використання прогнозованої невизначеності для вибору наступного експерименту, який відповідає скринінгу рецептури та дизайну дослідження стабільності.

5. Чому цикл важливіший за модель.

Автономна лабораторія MatterSeek запускає автоматизовану підготовку зразків для аналізу FTIR та ЯМР та одночасного термічного аналізу, а її архітектура організована навколо ланцюжкового синтезу, характеристики та зворотного зв’язку даних. Робочий процес біопрепаратів потребує власної підготовки та аналітичного ланцюжка; частина, що передається, є замкнутою структурою, а не конкретними інструментами.

6. Де сьогодні застосовується платформа.

Для фармацевтичних і біологічних організацій наразі доступні можливості в роботі з матеріалами: допоміжні речовини, пакувальні та контейнерні матеріали, неорганічні та органічні технологічні матеріали та каталітичні системи, що використовуються в синтезі. Вони обробляються існуючими сімействами неорганічних і органічних моделей. Якщо вас цікавить саме дорожня карта біологічних препаратів, ми краще обговоримо це безпосередньо, ніж перебільшуємо готовність.

 

FAQ

 

 

Питання: Чи доступна зараз біопрепарати?

A: Ні. Це в розробці. Наразі доступні сімейства моделей охоплюють неорганічні та органічні матеріали.

З: Що переходить з платформи матеріалів на біопрепарати?

В: Прогнозування властивостей на основі дескрипторів, навчання з малими даними та метод експериментального проектування із замкнутим циклом.

З: Чи може MatterSeek допомогти з допоміжними речовинами чи обробними матеріалами сьогодні?

A: Так. Допоміжні речовини, пакувальні та контейнерні матеріали, а також технологічні каталізатори належать до існуючої неорганічної та органічної моделі.

 

Yuyao (Beijing) Technology Co., Ltd. — професійна компанія, що спеціалізується на поєднанні штучного інтелекту та передових матеріалів для біопрепаратів і фармацевтики. Компанія самостійно розробила MatterSeek — основоположну велику модель, адаптовану до сектору матеріалів — і запровадила алгоритм HNN (ієрархічна нейронна мережа), одночасно створюючи власну, керовану базу даних експериментів з матеріалами.