ترجمه فارسی مقاله به سوی یادگیری ماشین خودکار مبتنی بر تکامل برای پیش‌بینی فارماکوکینتیک مولکول‌های کوچک

چکیده

Machine learning (ML) is revolutionising drug discovery by expediting the prediction of small molecule properties essential for developing new drugs. These properties — including absorption, distribution, metabolism and excretion (ADME)– are crucial in the early stages of drug development since they provide an understanding of the course of the drug in the organism, i.e., the drug’s pharmacokinetics. However, existing methods lack personalisation and rely on manually crafted ML algorithms or pipelines, which can introduce inefficiencies and biases into the process. To address these challenges, we propose a novel evolutionary-based automated ML method (AutoML) specifically designed for predicting small molecule properties, with a particular focus on pharmacokinetics. Leveraging the advantages of grammar-based genetic programming, our AutoML method streamlines the process by automatically selecting algorithms and designing predictive pipelines tailored to the particular characteristics of input molecular data. Results demonstrate AutoML’s effectiveness in selecting diverse ML algorithms, resulting in comparable or even improved predictive performances compared to conventional approaches. By offering personalised ML-driven pipelines, our method promises to enhance small molecule research in drug discovery, providing researchers with a valuable tool for accelerating the development of novel therapeutic drugs.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین (ML) با تسریع در پیش بینی خواص مولکول کوچک که برای تولید داروهای جدید ضروری است ، کشف مواد مخدر را متحول می کند.این خصوصیات- از جمله جذب ، توزیع ، متابولیسم و ​​دفع (ADME)- در مراحل اولیه تولید دارو بسیار مهم هستند زیرا درک دوره دارو در ارگانیسم ، یعنی فارماکوکینتیک دارو را ارائه می دهند.با این حال ، روش های موجود فاقد شخصی سازی و تکیه بر الگوریتم های ML یا خطوط لوله دستی هستند که می توانند ناکارآمدی و تعصب را در این فرآیند معرفی کنند.برای پرداختن به این چالش ها ، ما یک روش ML خودکار مبتنی بر تکاملی (AUTOM) را که به طور خاص برای پیش بینی خواص مولکول کوچک طراحی شده است ، با تمرکز ویژه بر فارماکوکینتیک ارائه می دهیم.با استفاده از مزایای برنامه نویسی ژنتیکی مبتنی بر دستور زبان ، روش Automl ما با انتخاب خودکار الگوریتم ها و طراحی خطوط لوله پیش بینی متناسب با ویژگی های خاص داده های مولکولی ورودی ، این روند را ساده می کند.نتایج نشان می دهد که اثربخشی AUTOML در انتخاب الگوریتم های متنوع ML ، و در نتیجه عملکردهای پیش بینی قابل مقایسه یا حتی بهبود یافته در مقایسه با رویکردهای معمولی است.روش ما با ارائه خطوط لوله ML محور شخصی ، وعده می دهد تا تحقیقات مولکول های کوچک را در کشف مواد مخدر تقویت کند ، و یک ابزار ارزشمند برای تسریع در توسعه داروهای درمانی جدید فراهم می کند.