بیولوژیک و داروسازی

img-mv26w7pq-e1122db5

 

توضیحات


گسترش یک پلت فرم تحقیق و توسعه مواد هوش مصنوعی به سمت مواد بیولوژیکی - چالش های پروتئین، آنتی بادی و فرمولاسیون. قابلیت نقشه راه در توسعه
 

  

8 29

بیولوژیک و داروسازی - سیستم مواد / عملکرد قابل پیش بینی / مسیر اعتبار سنجی

 

 

 

 

 

 

هوش مصنوعی برای مواد بیولوژیکی و دارویی - گسترش پشته تحقیق و توسعه مواد

 

 

1. یادداشت نقشه راه:

قابلیت بیولوژیک MatterSeek در حال توسعه است. این صفحه جهت سفر و بخش‌هایی از پلتفرم را که قبلاً اعمال می‌شود، توضیح می‌دهد. این یک محصول به طور کلی در دسترس را توصیف نمی کند.

2. MatterSeek یک پلت فرم تحقیق و توسعه مواد هوش مصنوعی است که روش اصلی آن است

- پیش بینی خواص مواد به طور مستقیم از ترکیب، سپس اعتبار سنجی در یک آزمایشگاه خودکار - برای سیستم های مواد معدنی و آلی ساخته شد. گسترش آن روش به سمت مواد بیولوژیکی و دارویی یک جهت نقشه راه است که توسط همان سه پایه مشخص می شود: مدل سازی مبتنی بر توصیفگر، معماری پیش بینی سلسله مراتبی، و یک حلقه آزمایشی بسته.

3. مشکل اساسی مشترک است.

توسعه پروتئین و آنتی‌بادی با همان گلوگاه ساختاری توسعه مواد مواجه است: فضای طراحی بسیار بزرگ، ارزیابی تجربی گران قیمت، و داده‌هایی که در برنامه‌ها تقسیم می‌شوند. وابستگی، ثبات، رفتار تجمع و سازگاری فرمول‌بندی هر کدام در کمپین‌های جداگانه اندازه‌گیری می‌شوند و تعاملات بین آنها به ندرت به طور مشترک مدل‌سازی می‌شوند.

4. آنچه از پلت فرم مواد ترجمه می شود. سه عنصر به طور مستقیم قابل انتقال هستند.

اول، پیش‌بینی ویژگی مبتنی بر توصیف‌گر - همان رویکردی که بیش از هزار توصیف‌گر ماده را رمزگذاری می‌کند، مشابهی مستقیم در توصیف‌کننده‌های توالی، ساختار و فرمول دارد. دوم، یادگیری با داده‌های کوچک: معماری سلسله مراتبی MatterSeek برای رژیم‌هایی طراحی شده است که نمونه‌های برچسب‌گذاری شده کمیاب هستند، که به جای استثنا، شرایط عادی در توسعه بیولوژیک است. سوم، طراحی آزمایشی حلقه بسته - با استفاده از عدم قطعیت پیش‌بینی‌شده برای انتخاب آزمایش بعدی، که بر روی غربالگری فرمول‌بندی و طراحی مطالعه پایداری نقشه‌برداری می‌کند.

5. چرا حلقه مهمتر از مدل است.

آزمایشگاه خودمختار MatterSeek آماده سازی نمونه خودکار را برای تجزیه و تحلیل FTIR و NMR و آنالیز حرارتی همزمان اجرا می کند و معماری آن حول سنتز زنجیره ای، خصوصیات و بازخورد داده ها سازماندهی شده است. یک گردش کار بیولوژیک به آماده سازی و زنجیره تحلیلی خود نیاز دارد. بخش قابل انتقال ساختار حلقه بسته است نه ابزار خاص.

6. جایی که پلتفرم امروز اعمال می شود.

برای سازمان‌های دارویی و بیولوژیکی، قابلیت موجود در حال حاضر در کارهای مجاور مواد است: مواد کمکی، مواد بسته‌بندی و ظروف، مواد فرآیندی غیرآلی و آلی، و سیستم‌های کاتالیزور مورد استفاده در سنتز. اینها توسط خانواده‌های مدل غیرآلی و آلی موجود مدیریت می‌شوند. اگر علاقه شما به طور خاص نقشه راه بیولوژیک است، ما ترجیح می‌دهیم مستقیماً در مورد آن بحث کنیم تا اینکه آمادگی را بیش از حد بیان کنیم.

 

سوالات متداول

 

 

س: آیا قابلیت بیولوژیک اکنون موجود است؟

پاسخ: خیر. در حال توسعه است. خانواده های مدل موجود در حال حاضر مواد معدنی و آلی را پوشش می دهند.

س: چه چیزی از بستر مواد به مواد بیولوژیک منتقل می شود؟

A: پیش‌بینی ویژگی مبتنی بر توصیفگر، یادگیری داده‌های کوچک و روش طراحی آزمایشی حلقه بسته.

س: آیا MatterSeek می تواند در مورد مواد کمکی یا پردازش مواد امروزی کمک کند؟

ج: بله. مواد کمکی، مواد بسته بندی و ظرف، و کاتالیزورهای فرآیندی در محدوده مدل معدنی و آلی موجود قرار دارند.

 

Yuyao (Beijing) Technology Co., Ltd. یک شرکت حرفه ای متخصص در تقاطع هوش مصنوعی و مواد پیشرفته بیولوژیکی و دارویی است. این شرکت به طور مستقل MatterSeek را توسعه داده است - یک مدل بزرگ اساسی که برای بخش مواد طراحی شده است - و الگوریتم HNN (شبکه عصبی سلسله مراتبی) را پیشگام کرده است، در حالی که یک پایگاه داده آزمایشی مواد قابل کنترل و اختصاصی ساخته است.