КНТН-3-16
Руководитель проекта: А.С. Тимин
НиМБАВ, Институт биомедицинских систем и биотехнологий
Цель:
- Использование графовой свёрточной нейронной сети для поиска фармакофорных фрагментов биологически активных структур и предсказания соединений-лидеров в терапии злокачественных новообразований.
Задачи проекта:
- Создание алгоритмов обучения нейросети на основе больших массивов данных; подготовка обучающих, валидационных, тестовых выборок и экспериментальных выборок для анализа взаимосвязи структура-биологическое свойство; предсказание соединений-лидеров;
- Проведение in vitro и in vivo исследование для отобранных соединений;
- Разработка и усовершенствование протоколов проведения химиотерапии с использованием разрабатываемых соединений-лидеров.
Вклад проекта в достижение технологического лидерства:
- Планируемые результаты способствуют достижению технологического лидерства в рамках национального проекта “Наука и университеты”, Национального проекта “Здравоохранение”, стратегии “Цифровая экономика Российской Федерации” по проекту “Искусственный интеллект” и проекту “Технологии здоровья” в инициативе “Технологии разработки медицинских изделий, лекарственных средств и платформ нового поколения”.
- Разрабатываемая технология повысит глобальный престиж страны в сфере биотехнологических разработок, внесёт значительный вклад в технологическое лидерство России, укрепит национальную науку, поддерживая государственные приоритеты и снижая зависимость от иностранных решений.
Сфера применения:
- Медицинские организации;
- Фармкомпании.
Экономический эффект:
Использование методов машинного обучения снижает затраты на начальных этапах разработки до 40% и сокращает время вывода препарата на рынок.
Репутационный эффект:
Доступность отечественных фармпрепаратов, независимость от зарубежных
Партнеры:
Ожидаемые результаты в 2025 году:
- Создание подсистемы ретросинтетического анализа биологически активных структур.
- Обученная нейросетевая модель на основе больших массивов данных.
- Создание виртуальной библиотеки (big data) молекулярных дескрипторов потенциальных кандидатных химических структур с селективной противоопухолевой активностью.
Ожидаемые результаты в 2025 году:
- Нейросетевая модель, обученная на основании результатов нескольких итераций доклинических испытаний полученных соединений-лидеров. Перечень соединений-лидеров с оптимизированной структурой и готовых к доклиническим испытаниям.
Ближайшие аналоги:
Recursion, Insilico Medicine, Atomwise, Relay Therapeutics, TumFlow.
Функциональные преимущества:
Применение собственной базы химических соединений и молекулярных дескрипторов – болеее 10000 соединений.
Технические преимущества:
Использование собственных вычислительных мощностей -- СЦК “Политехнический” с общей пиковой производительностью 1.7 Петафлопс.
Стоимостные преимущества:
Применение технологии искуственного интеллекта на ранних этапах разработки противоопухолевых препаратов снижает затраты до 40% и сокращает время вывода препарата на рынок, которое обычно занимает 10–12 лет и обходится в несколько миллиардов рублей.
Общественно значимый результат:
Технология вносит значительный вклад в технологическое лидерство России, укрепляя национальную науку, поддерживая государственные приоритеты и снижая зависимость от иностранных решений.