Para peneliti telah menciptakan model AI untuk memprediksi metode terbaik dalam mensintesis molekul obat, sehingga secara signifikan meningkatkan efisiensi dan keberlanjutan dalam pengembangan farmasi.
Para peneliti telah menciptakan sistem kecerdasan buatan yang mampu memprediksi di mana molekul obat dapat diubah secara kimia.
Tim kolaboratif dari LMU, ETH Zurich, dan Roche Pharma Research and Early Development (pRED) di Basel telah menggunakan kecerdasan buatan (AI) untuk merancang teknik baru guna memprediksi metode optimal untuk mensintesis molekul obat.
“Metode ini berpotensi secara signifikan mengurangi jumlah percobaan laboratorium yang diperlukan, sehingga meningkatkan efisiensi dan keberlanjutan sintesis kimia,” kata David Nippa, penulis utama makalah yang dipublikasikan di jurnal tersebut. Kimia Alam. Nippa adalah mahasiswa doktoral di Dr. David Konrad di Fakultas Kimia dan Farmasi di LMU dan di Roche.
Inovasi dalam Pengembangan Farmasi
Bahan aktif farmasi biasanya terdiri dari suatu kerangka yang melekat pada gugus fungsi. Kelompok-kelompok ini mengaktifkan fungsi biologis tertentu. Untuk mencapai efek medis baru atau lebih baik, kelompok fungsional diubah dan ditambahkan ke posisi baru dalam kerangka tersebut. Namun, proses ini sangat menantang dalam bidang kimia, karena kerangkanya, yang sebagian besar terdiri dari atom karbon dan hidrogen, hampir tidak reaktif.
Salah satu metode untuk mengaktifkan kerangka tersebut adalah apa yang disebut reaksi borilasi. Dalam proses ini, gugus kimia yang mengandung unsur boron terikat pada karbon atom dari kerangka itu. Kelompok boron ini kemudian dapat digantikan oleh berbagai kelompok yang efektif secara medis. Meskipun borilasi memiliki potensi yang besar, namun sulit dikendalikan di laboratorium.
Bersama Kenneth Atz, seorang mahasiswa doktoral di ETH Zurich, David Nippa mengembangkan model AI yang dilatih berdasarkan data dari karya ilmiah tepercaya dan eksperimen dari laboratorium otomatis di Roche. Ini berhasil memprediksi posisi borilasi untuk molekul apa pun dan memberikan kondisi optimal untuk transformasi kimia. “Menariknya, prediksi tersebut membaik ketika informasi tiga dimensi dari bahan awal diperhitungkan, bukan hanya rumus kimia dua dimensinya,” kata Atz.
Metode ini telah berhasil digunakan untuk mengidentifikasi posisi bahan aktif yang ada dimana gugus aktif tambahan dapat dimasukkan. Hal ini membantu para peneliti mengembangkan varian baru dan lebih efektif dari bahan aktif obat yang diketahui dengan lebih cepat.
Referensi: “Memungkinkan diversifikasi obat tahap akhir melalui eksperimen high-throughput dengan pembelajaran mendalam geometris” oleh David F. Nippa, Kenneth Atz, Remo Hohler, Alex T. Müller, Andreas Marx, Christian Bartelmus, Georg Wuitschik, Irene Marzuoli, Vera Jost , Jens Wolfard, Martin Binder, Antonia F. Stepan, David B. Konrad, Uwe Grether, Rainer E. Martin dan Gisbert Schneider, 23 November 2023, Kimia Alam.
DOI: 10.1038/s41557-023-01360-5
NewsRoom.id
