Google Antigravity, Cheminformatics Skills ile ilaç keşfi iş akışını bir saate indiriyor

Google Antigravity'de yeni Cheminformatics Skills

Google DeepMind, Google Antigravity için yeni Cheminformatics Skills paketini tanıttı. Şirkete göre bu beceriler, Antigravity'yi hesaplamalı ve deneysel kimyagerler için yerel araçlara tam erişimi olan ortak bir bilim tezgâhına dönüştürüyor. Skills bugün itibarıyla Google Antigravity'de kullanılabilir durumda.

Yeni bir ilaç tasarlamak için grafik, şekil ve literatürden karmaşık verilerin düzenlenmesi, tahmin modellerinin eğitilmesi ve sentezlenecek aday moleküllerin önerilmesi gerekiyor. Google DeepMind'a göre bu tür bir ilaç tasarım iş akışı, tek bir iterasyon için tipik olarak birden fazla gün sürüyor. Şirket, gösterilen iş akışının yakın zamana kadar birden fazla gün sürdüğünü ve önemli hesaplama uzmanlığı gerektirdiğini belirtiyor.

Veri temsillerindeki çeşitlilik ve hata payı

Kimyada aynı molekül bir makalede IUPAC adı, bir patentte Markush yapısı veya bir katalogda yapı-veri dosyası (SDF) olarak görünebiliyor. Gelişmiş sistemlerin bu kaynakları birleştirmesi ve oluşabilecek hatalarla baş etmesi gerekiyor. Bu işte hata payı yok: tek bir atom veya bağın değiştirilmesi farklı bir bileşik tanımlanmasına yol açıyor ve umut verici bir inhibitör veya katalizörü etkisiz hale getirebiliyor.

Cheminformatics Skills, dil modelinin iş akışı orkestrasyonu, veritabanı gezinme ve bilimsel akıl yürütmeyi üstlendiği, deterministik kimya araçlarının ise moleküler hesaplamaları yürüttüğü bir iş bölümü oluşturuyor. Paket, RDKit açık kaynak kimya araç setine ve ChEMBL ile PubChem'den düzenlenmiş kaynaklara bağlantılara dayanıyor. RDKit, küresel bir katkıcı topluluğu tarafından yirmi yılı aşkın süredir geliştirilen temel açık kaynak kimya araç seti olarak tanımlanıyor.

Rijitleştirme: crizotinib ve lorlatinib örneği

Rijitleştirme, ilaç potensini iyileştirmek için kullanılan klasik bir tıbbi kimya tekniği. Esnek bir molekülün hedefine bağlanması için tek bir aktif şekle kilitlenmesi gerekiyor; hareket serbestliğinin kaybı ise bağlanma afinitesini zayıflatan ve potensi düşüren bir entropik ceza taşıyor.

Bu durumun bilinen bir örneği iki tirozin kinaz inhibitörü üzerinden anlatılıyor. Crizotinib, belirli küçük hücreli olmayan akciğer karsinomu türlerini tedavi etmek için kullanılan birinci nesil, küçük moleküllü bir tirozin kinaz inhibitörü ve içinde beş ana dönebilir bağ bulunuyor. Lorlatinib ise crizotinibe benzeyen üçüncü nesil, küçük moleküllü bir tirozin kinaz inhibitörü. Lorlatinib, ucunda siklize edilerek etkin dönebilir bağ sayısı sıfıra düşürüldü ve bu siklizasyon, diğer etkilerin yanı sıra daha yüksek potense yol açtı.

Ajanın veri toplama ve analiz adımları

Google DeepMind'a göre ajan, gerçek dünya akciğer kanseri tedavilerini kullanarak binlerce bileşik içinde arama yapıyor, eşleşmiş moleküler çift analizi gerçekleştiriyor ve sentez yollarıyla yeni rijitleştirilmiş makrosikller öneriyor. Ajan dakikalar içinde binlerce bileşik getiriyor, ilgisiz molekülleri (tamponlar ve çözücüler gibi) filtreliyor ve kaynaklarını bir raporda belgeliyor.

Rapor, makrosikllerin büyük ölçüde beyin geçirgen olacağını tahmin ediyor; bu, hedef akciğer kanserinin sıklıkla beyne metastaz yapması nedeniyle önemli bir özellik olarak öne çıkarılıyor. Ajan ayrıca düzenlenmiş bileşikleri, ilişkili verileri ve özelleştirilebilir dağılım grafiklerini gösteren etkileşimli bir görüntüleyici başlatıyor.

Görselleştirmelerde potensin dönebilir bağlara karşı çizilmesi, lorlatinib gibi makrosikllerin daha az dönebilir bağa ve daha yüksek potense sahip olma eğiliminde olduğunu gösteriyor. Hücresel potensin dönebilir bağlara karşı çizilmesi ise en yüksek potense sahip bileşiklerin en rijit olanlar olduğunu açıkça ortaya koyuyor.

Eşleşmiş moleküler çift analizi sonuçları, siklizasyonun dönebilir bağ sayısını azaltırken genellikle potensi artırdığını gösteriyor. Ajan, farklı özellik setleri ve model mimarileri kullanarak çok sayıda potens modeli oluşturdu ve bunları ayrılmış bir set üzerinde doğruladı. Cheminformatics Skills, ajanın moleküler makine öğrenmesi modellerini en iyi şekilde nasıl kuracağına dair rehberlik sağlıyor.

Tasarım önerileri ve sınırlar

Google DeepMind'a göre ajan, öğrendiklerine dayanarak yeni, iyileştirilmiş makrosikller tasarladı ve farklı bileşikleri içeren birden fazla reaksiyon ve sentez yolu önerdi. Ajan, kendi bilgisini daha önce geliştirilen MMPA ve potens tahmin modelleriyle birleştirerek ilginç tasarımlar üretti ve tıbbi kimya gerekçesini açıkladı. Önerilen sentez yolları belgelenmiş prosedürlerle tutarlı. Ajan, önerilen bir siklizasyon reaksiyonu için elektron itme diyagramları sağlayarak mekanizmayı da gösteriyor.

Google DeepMind'a göre bu iş akışı yalnızca bir saat içinde tamamlanıyor. Şirkete göre Cheminformatics Skills ile bir ilaç keşfi bilimcisi daha güçlü desteklenmiş tasarım hipotezlerini daha hızlı üretebiliyor.

Ancak sınırlar da açıkça belirtiliyor: seyrek veri, laboratuvarlar arası test gürültüsü ve dar dinamik aralıklar, en güçlü modellerin bile tahmin hassasiyetini sınırlıyor. Hesaplamalı tasarımlar bitmiş ilaçlar değil, test edilebilir hipotezler; önerilen her tasarım deneysel olarak sentezlenmeli ve doğrulanmalı.

Erişim ve ücretsiz kullanım teklifi

Google DeepMind, 10.000 bilim insanına Google Antigravity'deki en yüksek kullanım katmanını 6 ay boyunca ücretsiz sunuyor. Bu teklif uygunluk, kapasite ve seçime tabi ve başvurular açık. Kurumsal kullanıcılar ise "Use Business Account" seçeneğiyle Google Cloud kimlik bilgileriyle uygulamaya giriş yapabiliyor.