Buongiorno cari lettori di Tecnogalaxy, oggi parleremo di PyTorch un servizio open-source che aiuterà gli scienziati di scoprire nuovi farmaci.

Da quando è stato lanciato nel 2017, il framework di apprendimento automatico PyTorch di Facebook è stato messo a frutto, con applicazioni che vanno dall’alimentazione delle auto autonome di Elon Musk alla guida di progetti di robo-agricoltura.

PyTorch si rende utile per la scoperta di farmaci

Ora l’azienda farmaceutica AstraZeneca ha rivelato come il suo team di ingegneri interni stia sfruttando anche PyTorch, e per sforzi altrettanto importanti: semplificare e accelerare la scoperta dei farmaci.

Queste intuizioni vengono utilizzate per alimentare un algoritmo che può, a sua volta, raccomandare agli scienziati un certo numero di farmaci per una determinata malattia da testare in laboratorio.

Il metodo potrebbe consentire enormi passi avanti in un settore come quello della scoperta di farmaci, che finora si è basato su metodi di prova e di errore costosi e dispendiosi in termini di tempo.

In genere, per trovare un nuovo farmaco per combattere una specifica malattia, gli scienziati devono testare in laboratorio diversi disegni e combinazioni di proteine fino a quando non trovano una soluzione funzionante. Ed è per questo che possono essere necessari dai 10 ai 15 anni per passare da un’idea per un farmaco a un farmaco pronto per essere immesso sul mercato. L’algoritmo di AstraZeneca, d’altra parte, può identificare più rapidamente i 10 principali bersagli di farmaci che gli scienziati dovrebbero cercare per una determinata malattia.

Portare l’automazione alla scoperta di un farmaco è particolarmente utile in quanto la quantità di dati a cui gli scienziati possono accedere per guidare la loro ricerca aumenta esponenzialmente ogni anno. Analizzare i database che crescono di giorno in giorno per capire come possono informare la scoperta dei farmaci sta diventando un compito sovrumano.

Gavin Edwards, ingegnere di AstraZeneca, ha detto: “Ogni anno cresce la quantità di informazioni e dati scientifici a disposizione dei ricercatori. Sfruttando l’IA e gli strumenti di machine learning come PyTorch e Azure, possiamo estrarre, combinare e interpretare rapidamente le informazioni da più fonti, con l’obiettivo di trarre conclusioni scientifiche migliori e più rapide rispetto all’analisi manuale di questi dati“.

Python e l’automazione

Molti dei dati disponibili sono costituiti da testo non strutturato, ed è qui che entra in gioco PyTorch. Il pacchetto sviluppato da Facebook, basato sul linguaggio di programmazione Python, è una libreria open-source per l’apprendimento automatico che è particolarmente utile per gli sviluppatori che lavorano su intensi compiti di scienza dei dati in campi come la visione artificiale e l’elaborazione del linguaggio naturale (PNL).

Il team PNL di AstraZeneca utilizza PyTorch per definire e formare algoritmi di text-mining biomedico che possono lavorare attraverso i dati, trovare modelli e tendenze ed eventualmente strutturare le informazioni a portata di mano.

I dati vengono poi inseriti in un grafico di conoscenza, che è in grado di collegare insieme in modo intelligente sacche di informazioni, in modo che ogni punto di dati possa essere contestualizzato. Agendo come una rete di informazioni, il grafico può riflettere le proprietà di ogni dato – geni, proteine, malattie, composti – ma anche le relazioni tra le diverse categorie.

In altre parole, il grafico della conoscenza organizza in modo completo tutti i dati scientifici a disposizione. Utilizzando le capacità di calcolo di Microsoft Azure Machine Learning, gli ingegneri di AstraZeneca utilizzano il grafico di conoscenza per formare un algoritmo che raccomanda agli scienziati nuovi target di farmaci.

I grafici della conoscenza

Un algoritmo di raccomandazione per la scoperta di farmaci suona certamente come la promessa di un enorme risparmio di tempo per gli scienziati che hanno sperimentato senza sosta nuovi progetti di farmaci in laboratorio. Ma Edwards e il suo team sperano anche che i grafici di conoscenza che stanno creando possano aiutare i ricercatori a trovare nuove connessioni, esplorare nuovi percorsi e testare teorie non provate senza il rischio di perdere troppo tempo.

I grafici della conoscenza possono essere ridotti per esaminare in dettaglio un aspetto di un problema e possono anche essere ampliati per fornire una visione più ampia dei diversi rami della ricerca. I ricercatori potrebbero, quindi, avere facilmente accesso a informazioni non sfruttate che potrebbero portare un valore aggiunto ai loro progetti.

“Il nostro grafico delle conoscenze permette ai ricercatori di porre domande chiave su geni, malattie, farmaci e informazioni sulla sicurezza per aiutare a identificare e dare priorità agli obiettivi dei farmaci“, ha detto Edwards. “E, man mano che i nostri dati e le nostre conoscenze continuano ad evolversi, anche il nostro grafico lo farà, il che significa che ogni nuovo esperimento beneficerà di tutto ciò che si è appreso in precedenza”.

Questo è tutto, ad un prossimo articolo.

Leggi anche:

Ti è stato di aiuto questo articolo? Aiuta questo sito a mantenere le varie spese con una donazione a piacere cliccando su questo link. Grazie!

Seguici anche su Telegram cliccando su questo link per rimanere sempre aggiornato sugli ultimi articoli e le novità riguardanti il sito.

Se vuoi fare domande o parlare di tecnologia puoi entrare nel nostro gruppo Telegram cliccando su questo link.

© Tecnogalaxy.it - Vietato riprodurre il contenuto di questo articolo.