Biologi & Pharma

img-mv26w7pq-e1122db5

 

Beskrivelse


Udvidelse af en R&D-platform for AI-materialer mod biologiske stoffer - protein-, antistof- og formuleringsudfordringer. Køreplanskapacitet under udvikling
 

  

8 29

Biologics & Pharma — Materialesystem / Forudsigelig ydeevne / Valideringsvej

 

 

 

 

 

 

AI for biologiske og farmaceutiske materialer — Udvidelse af materiale-R&D-stakken

 

 

1. Køreplannotat:

MatterSeeks biologiske kapacitet er under udvikling. Denne side beskriver kørselsretningen og de dele af platformen, der allerede er gældende. Den beskriver ikke et generelt tilgængeligt produkt.

2. MatterSeek er en R&D-platform for kunstig intelligens, hvis kernemetode

- forudsigelse af materialeegenskaber direkte fra sammensætning og derefter validering i et automatiseret laboratorium - blev bygget til uorganiske og organiske materialesystemer. At udvide denne metode mod biologiske og farmaceutiske materialer er en køreplansretning, baseret på de samme tre fundamenter: deskriptorbaseret modellering, en hierarkisk forudsigelsesarkitektur og en lukket eksperimentel sløjfe.

3. Det underliggende problem er delt.

Protein- og antistofudvikling står over for den samme strukturelle flaskehals som materialeudvikling: et meget stort designrum, dyr eksperimentel evaluering og data, der er fragmenteret på tværs af programmer. Affinitet, stabilitet, aggregeringsadfærd og formuleringskompatibilitet måles hver især i separate kampagner, og interaktionerne mellem dem modelleres sjældent i fællesskab.

4. Hvad oversættes fra materialeplatformen. Tre elementer er direkte overførbare.

For det første, deskriptorbaseret egenskabsforudsigelse - den samme tilgang, der koder for over tusinde materialedeskriptorer, har en direkte analog i sekvens-, struktur- og formuleringsdeskriptorer. For det andet, læring af små data: MatterSeeks hierarkiske arkitektur blev designet til regimer, hvor mærkede prøver er knappe, hvilket er den normale tilstand i udviklingen af ​​biologiske lægemidler snarere end undtagelsen. For det tredje, eksperimentelt design med lukket sløjfe - ved hjælp af forudsagt usikkerhed til at vælge det næste eksperiment, som knytter sig til formuleringsscreening og design af stabilitetsstudier.

5. Hvorfor løkken betyder mere end modellen.

MatterSeeks autonome laboratorium kører automatiseret prøveforberedelse til FTIR- og NMR-analyse og samtidig termisk analyse, og dets arkitektur er organiseret omkring kædesyntese, karakterisering og datafeedback. En biologisk arbejdsgang ville have brug for sin egen forberedelse og analysekæde; den overførbare del er den lukkede sløjfestruktur, ikke de specifikke instrumenter.

6. Hvor platformen gælder i dag.

For farmaceutiske og biologiske organisationer er den tilgængelige kapacitet i materialer-tilstødende arbejde: hjælpestoffer, emballage- og beholdermaterialer, uorganiske og organiske procesmaterialer og katalysatorsystemer, der anvendes i syntese. Disse håndteres af de eksisterende uorganiske og organiske modelfamilier. Hvis din interesse er den biologiske køreplan specifikt, vil vi hellere diskutere det direkte end at overdrive beredskabet.

 

FAQ

 

 

Spørgsmål: Er den biologiske kapacitet tilgængelig nu?

A: Nej. Det er under udvikling. De i øjeblikket tilgængelige modelfamilier dækker over uorganiske og organiske materialer.

Q: Hvad overføres fra materialeplatformen til biologiske lægemidler?

A: Deskriptor-baseret egenskabsforudsigelse, læring af små data og den eksperimentelle designmetode med lukket sløjfe.

Q: Kan MatterSeek hjælpe med hjælpestoffer eller procesmaterialer i dag?

A: Ja. Hjælpestoffer, emballage- og beholdermaterialer og proceskatalysatorer falder inden for det eksisterende uorganiske og organiske modelomfang.

 

Yuyao (Beijing) Technology Co., Ltd. er en professionel virksomhed, der er specialiseret i skæringspunktet mellem AI og avancerede materialer inden for biologiske og farmaceutiske lægemidler. Virksomheden har uafhængigt udviklet MatterSeek - en grundlæggende stor model skræddersyet til materialesektoren - og var banebrydende for HNN (Hierarchical Neural Network) algoritmen, mens de opbyggede en proprietær, kontrollerbar materialeeksperimentdatabase.