使用液相色譜測試的機器學習進行藥物評估

現今，從簡單的 SMILES 字符串中快速生成大量分子特徵預測分子特性時、分析分子的結構特徵及其功能。但這種方法的準確性有限，因為它無法準確說明分子如何與其環境相互作用。

• 親油性logP、辛醇 - 水分佈系數是評估目標分子作為藥物使用的指標之一，因為其指示目標分子作為藥物的吸收、分佈、代謝、排泄、毒性和效力。本發明旨在準確預測分子的親油性和其它物理化學特性，以便識別候選藥物以進行進一步測試。
• 構建了機器學習模型，所述機器學習模型從包含已知親油性和液相色譜柱中的已知保留時間的小分子物理化學特性的數據庫進行訓練，以創建親油性與液相色譜保留時間之間的學習關聯。
• 為 log P 預測開發的機器學習模型框架可以輕鬆擴展到許多其他關鍵分子特性，例如溶解度 (log S) 和毒性。除了能夠對候選藥物進行準確的高通量篩選外，這些模型還可用於篩選環境污染物。

• 使用人工智能和大數據開發分子特性預測模型，用於小分子藥物的臨床前評估以及確定環境污染物和毒素（可能存在於食品和飲料中）的特性。
• 預測模型可用於生成對抗網絡 (GAN) 中的鑑別器，用於藥物開發的新合成目標的自動化計算機設計。
• 客戶可以通過遷移學習技術篩選專有數據庫（例如，製藥公司的內部數據庫），從而保護他們自己的知識產權並保留他們的專利資訊。

• 我們的主要目標領域是製藥公司。
• 我們預測護膚產品/化妝品公司和中草藥公司會對此項目專利有巨大興趣。
• 那些關心環境污染的人仕也可能會感興趣。例如，全氟和多氟烷基物質 (PFAS) 是 9,000 種環境污染物的一類，我們只知當中幾十個成員的分子特性。

• 張銘恩博士​
• Dr. Scott Hopkins ​
• Dr. Zaw Myo Win ​

• 美國專利（案卷號：USPTO 17/864,393 (2022))