Deep Origin
ແພລະຕະຟອມພັດທະນາຢາ ທີ່ຜະສານການຈຳລອງທາງຟີຊິກ ແລະ ເຄື່ອງມືການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (Machine Learning) ເພື່ອເລັ່ງການຄົ້ນພົບຢາໃໝ່, ພະຍາກອນ ADME, ເຮັດ Molecular Docking ແລະ ການສ້າງແບບຈຳລອງກ່ອນການທົດລອງທາງຄລີນ
ນີ້ແມ່ນຫຍັງ
Deep Origin ແມ່ນແພລະຕະຟອມຄົ້ນພົບຢາດ້ວຍ AI ທີ່ອີງໃສ່ພື້ນຖານທາງຟີຊິກ, ເຊິ່ງລວມເອົາການຈຳລອງພະລັງງານເຄື່ອນໄຫວຂອງໂມເລກຸນ (Molecular Dynamics) ເຂົ້າກັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນຂັ້ນຕອນການເຮັດວຽກດຽວກັນ. ມັນຊ່ວຍໃຫ້ທີມງານຄົ້ນຄວ້າສາມາດເຮັດ Molecular Docking, ພະຍາກອນຄຸນສົມບັດ ADME ແລະ ການສ້າງແບບຈຳລອງໃນຂັ້ນຕອນກ່ອນການທົດລອງທາງຄລີນິກ ເຮັດໃຫ້ສາມາດຄັດເລືອກ ແລະ ປັບປຸງສານປະກອບເຄມີໃນຄອມພິວເຕີກ່ອນທີ່ຈະນຳໄປທົດລອງຕົວຈິງໃນຫ້ອງທົດລອງ (Wet Lab). ເມື່ອປຽບທຽບກັບແບບຈຳລອງ Black-box ທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນຢ່າງດຽວ, ມັນເນັ້ນໜັກໃສ່ຄວາມສາມາດໃນການອະທິບາຍຂອງການຈຳລອງທາງຟີຊິກ ເຊິ່ງເຮັດໃຫ້ຜົນໄດ້ຮັບໃກ້ຄຽງກັບພຶດຕິກຳທາງຊີວະເຄມີຕົວຈິງ.
ມັນແກ້ໄຂບັນຫາຫຍັງ
ຂັ້ນຕອນທີ່ເສຍເງິນຫຼາຍທີ່ສຸດ ແລະ ເສຍເວລາຫຼາຍທີ່ສຸດໃນການພັດທະນາຢາແບບດັ້ງເດີມ ແມ່ນການຊອກຫາໂມເລກຸນຜູ້ສະໝັກຈຳນວນໜ້ອຍທີ່ຄວນສືບຕໍ່ພັດທະນາຈາກຈຳນວນຫຼວງຫຼາຍ. Deep Origin ໄດ້ຍ້າຍການຄັດເລືອກເບື້ອງຕົ້ນນີ້ໄປสู่ສະພາບແວດລ້ອມການປະມວນຜົນ, ໂດຍການໃຊ້ການຈຳລອງເພື່ອພະຍາກອນການດູດຊຶມ, ການກະຈາຍ, ການ ແມຕາໂບລິດ (Metabolism) ແລະ ການຂັບຖ່າຍ (Excretion) ຂອງຢາໃນຮ່າງກາຍ, ພ້ອມທັງປະເມີນຄວາມແຮງໃນການຈັບຕົວກັບໂປຣຕີນເປົ້າໝາຍ. ສິ່ງນີ້ຊ່ວຍຫຼຸດຜ່ອນຮອບວຽນການລອງຜິດລອງຖືກ ແລະ ຫຼຸດຄວາມສ່ຽງໃນການລົ້ມເຫລວໃນຂັ້ນຕອນຕໍ່ມາ. ມັນເໝາະສົມເປັນຕົ້ນຕໍສຳລັບບຸກຄະລາກອນດ້ານເຄມີຄຳນວນ ແລະ ການອອກແບບຢາໃນບໍລິສັດຢາ, ບໍລິສັດສະຕາທັອບດ້ານຊີວະເຕັກໂນໂລຊີ ແລະ ທີມງານຄົ້ນຄວ້າວິຊາການ, ໂດຍເໝາະສຳລັບຂະບວນການຄົ້ນຄວ້າທີ່ຕ້ອງການການຕັດສິນໃຈທີ່ໝັ້ນໃຈຂຶ້ນພາຍໃຕ້ງົບປະມານທີ່ຈຳກັດ. ສຳລັບທີມງານທີ່ບໍ່ມີລະບົບປະມວນຜົນປະສິດທິພາບສູງ (HPC) ເປັນຂອງຕົນເອງ, ມັນຍັງເປັນທາງເລືອກໃນການນຳໃຊ້ຄວາມສາມາດໃນການຈຳລອງຂັ້ນສູງອີກດ້ວຍ.
ຄຸນສົມບັດເດ่น
- ເຄື່ອງຈັກຈຳລອງພະລັງງານເຄື່ອນໄຫວຂອງໂມເລກຸນທີ່ອີງໃສ່ພື້ນຖານທາງຟີຊິກ
- ການພະຍາກອນຄຸນສົມບັດການເຜົາຜານຢາ ADME
- ການປະເມີນ Molecular Docking ແລະ ຄວາມສຳພັນໃນການຈັບຕົວ
- ການຄັດເລືອກສານປະກອບທີ່ຊ່ວຍດ້ວຍເຄື່ອງມື Machine Learning
- ຮອງຮັບການສ້າງແບບຈຳລອງໃນຂັ້ນຕອນກ່ອນການທົດລອງທາງຄລີນິກ
- ສະພາບແວດລ້ອມແບບປະສົມປະສານສຳລັບຂັ້ນຕອນການເຮັດວຽກດ້ານເຄມີຄຳນວນ
ຂໍ້ດີ
- ປະສານການຈຳລອງທາງຟີຊິກ ແລະ Machine Learning ເຮັດໃຫ້ຜົນໄດ້ຮັບມີຄວາມໜ້າເຊື່ອຖື ແລະ ອະທິບາຍໄດ້
- ຍ້າຍການຄັດເລືອກກ່ອນການທົດລອງທີ່ມີຄ່າໃຊ້ຈ່າຍສູງໄປສູ່ລະບົບຄຳນວນ ເພື່ອຫຼຸດຜ່ອນການລອງຜິດລອງຖືກ
- ครอบคลุมຫລາຍຂັ້ນຕອນຕັ້ງແຕ່ Docking ຈົນເຖິງ ADME, ຊ່ວຍຫຼຸດການສະຫຼັບເຄື່ອງມື
ຂໍ້ເສຍ
- ມີມາດຕະຖານຄວາມຊ່ຽວຊານສູງ, ຕ້ອງການພື້ນຖານດ້ານການອອກແບບຢາ ແລະ ເຄມີຄຳນວນຈຶ່ງຈະໃຊ້ໄດ້ເຕັມປະສິດທິພາບ
- ການພະຍາກອນຈາກການຈຳລອງຍังຄົງຕ້ອງການການກວດສອບຈາກການທົດລອງຕົວຈິງ, ບໍ່ສາມາດທົດແທນ Wet Lab ໄດ້ຢ່າງສົມບູນ
ກໍລະນີການນำໃຊ້
- ທີມງານພັດທະນາຢາຄັດເລືອກສານປະກອບເບື້ອງຕົ້ນຈາກຈຳນວນໂມເລກຸນຜູ້ສະໝັກຈຳນວນຫຼາຍ
- ນັກຄົ້ນຄວ້າພະຍາກອນຄຸນສົມບັດ ADME ຂອງສານປະກອບເພື່ອປະເມີນຄວາມເປັນໄປໄດ້ໃນການພັດທະນາເປັນຢາ
- ບໍລິສັດສະຕາທັອບດ້ານຊີວະເຕັກໂນໂລຊີປະເມີນຄວາມສາມາດໃນການຈັບຕົວກັບໂປຣຕີນເປົ້າໝາຍດ້ວຍ Molecular Docking
ໝາຍເຫດຈากบັນນາທິການ
ການມັດລວມຄວາມເຂັ້ມງວດຂອງການຈຳລອງທາງຟີຊິກ ແລະ ປະສິດທິພາບຂອງ Machine Learning ເຂົ້າດ້ວຍກັນ, ນີ້ແມ່ນເຄື່ອງມືສຳລັບທີມງານທີ່ເອົາຈິງເອົາຈັງກับການພັດທະນາຢາ.
ຄຳຖາມທີ່ພົບເລື້ອຍ
Deep Origin ສາມາດທົດແທນການທົດສອບໃນຫ້ອງທົດລອງໄດ້ບໍ?
ບໍ່ໄດ້, ຕຳແໜ່ງຂອງມັນແມ່ນການຄັດເລືອກ ແລະ ພະຍາກອນດ້ວຍລະບົບຄຳນວນກ່ອນການທົດລອງຕົວຈິງ ເພື່ອຊ່ວຍຫຍໍ້ຂອບເຂດໃຫ້ລົງ, ແຕ່ໃນທີ່ສຸດກໍຍັງຈຳເປັນຕ້ອງມີການກວດສອບຜົນດ້ວຍການທົດລອງຕົວຈິງຢູ່.
ມັນແຕກຕ່າງຈາກແພລະຕະຟອມຢາ AI ທົ່ວໄປແນວໃດ?
ມັນເນັ້ນໜັກໃສ່ການຈຳລອງໂມເລກຸນທີ່ອີງໃສ່ພື້ນຖານທາງຟີຊິກ ແທນທີ່ຈະອາໄສພຽງແຕ່ແບບຈຳລອງທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນເທົ່ານັ້ນ, ດັ່ງນັ້ນຜົນໄດ້ຮັບຈຶ່ງໃກ້ຄຽງກັບກົນໄກຊີວະເຄມີຕົວຈິງຫຼາຍກວ່າ ແລະ ສາມາດອະທິບາຍໄດ້ດີກວ່າ.
ເໝາະສຳລັບທີມງານນ້ອຍທີ່ບໍ່ມີຊັບພະຍາກອນການຄຳນວນບໍ?
ເໝາະສົມ, ສຳລັບບໍລິສັດສະຕາທັອບດ້ານຊີວະເຕັກໂນໂລຊີ ຫຼື ທີມງານວິຊາການທີ່ບໍ່ມີລະບົບປະມວນຜົນປະສິດທິພາບສູງເປັນຂອງຕົນເອງ, ມັນເປັນເສັ້ນທາງໃນການເຂົ້າເຖິງຄວາມສາມາດໃນການຈຳລອງຂັ້ນສູງ.