פיתוח רשתות נוירונים גרפיות לגילוי תרופות

אנו מפתחים רשתות עצביות גרף למודלים מולקולריים בגילוי תרופות — משימה שבה כל מולקולה מיוצגת כגרף: אטומים כצמתים, קשרים כימיים כקשתות. גישה זו שומרת על הטופולוגיה של המולקולה ללא אובדן מידע, הבלתי נמנע בעת המרה ל-SMILES או לטביעות אצבע של Morgan. הפתרונות שלנו מאפשרים לחברות תרופות להאיץ את חיפוש המועמדים פי 3-5 בהשוואה לשיטות סינון וירטואלי קלאסיות. אנו נעריך את הפרויקט שלך ונציע ארכיטקטורה אופטימלית תוך יומיים.

למה טביעות אצבע כבר לא מספיקות

טביעות אצבע של Morgan (ECFP4/ECFP6) הן טכניקה בוגרת, אבל וקטור סיביות באורך קבוע מאבד מידע על קונפורמציה תלת-ממדית ואינטראקציות ארוכות טווח. במשימת חיזוי מסיסות (logS), ECFP4 + Random Forest נותן RMSE ~0.85, בעוד שרשת עצבית מכוונת העברת מסרים (D-MPNN, יישום ב-chemprop) משיגה RMSE ~0.65 על אותו benchmark של MoleculeNet. הפער צנוע, אבל במשימות של פעילות נגד מטרות ספציפיות הוא רחב משמעותית.

אילו ארכיטקטורות GNN אנו משתמשים

רשתות עצביות להעברת מסרים (MPNN)

פרדיגמה בסיסית: כל אטום צובר מידע משכנים דרך T סבבים של העברת מסרים, וקריאה סופית מאגדת הטמעות אטומיות להטמעה מולקולרית אחת. Chemprop הוא היישום הנפוץ ביותר בתעשיית התרופות, מאומן באמצעות העברת מסרים מכוונת על קשרים.

SchNet / DimeNet / PaiNN

אלה מתחשבים בקואורדינטות אטומיות תלת-ממדיות (מיצירת קונפורמציה דרך RDKit או ETKDG). SchNet מקודד מרחקים באמצעות פונקציות בסיס רדיאליות; DimeNet מוסיף אינטראקציות זוויתיות. במשימות חיזוי תכונות קוונטיות (QM9: אנרגיית HOMO/LUMO, מומנט דיפול) PaiNN משיג MAE ברמה של חישובי DFT עם מהירות גבוהה פי אלפים.

GNNs שווי-משתנים (SE(3)-Transformers, EGNN, NequIP)

ארכיטקטורות בלתי משתנות לסיבוב והשתקפות של המולקולה — חשוב לחיזוי נכון של תכונות התלויות בכיוון מרחבי. NequIP מציג תוצאות מתקדמות במשימות חיזוי שדות כוח.

גרף חלבון–ליגנד לסינון וירטואלי

אינטראקציית ליגנד–מטרה ממודלת כגרף הטרוגני: שני סוגי צמתים (אטומי ליגנד ואטומי חלבון בכיס הקישור) ושני סוגי קשתות — תוך-מולקולריות ובין-מולקולריות. GraphDTA, benchmarks של KIBA/Davis. על KIBA: מתאם פירסון ~0.89 עבור GNN הטוב ביותר לעומת ~0.79 עבור ציוני docking קלאסיים. השוואה זו מראה ש-GNNs נותנים שיפור דיוק של עד 10%. מודלי ה-GNN שלנו מפחיתים עלויות חישוב ב-30-40% בהשוואה לשיטות docking מסורתיות.

מה אנו מספקים

במסגרת הפרויקט אנו מספקים:

• מודל GNN מותאם למשימה שלך (חיזוי תכונות, יצירה, סינון)
• תיעוד על ארכיטקטורה, אימון ו-API
• תמונות Docker לפריסה
• הכשרה לצוות שלך בעבודה עם המודל
• תמיכה לאחר הפרויקט למשך 3 חודשים

איך אנו בונים GNNs עבור ADMET

מהניסיון שלנו: בעבודה עם לקוח תרופות, התמודדנו עם משימת חיזוי של 20+ תכונות ADMET (ספיגה, הפצה, מטבוליזם, הפרשה, רעילות). GNN רב-משימתי אומן בו-זמנית על כל המשימות באמצעות מקודד מולקולרי משותף. לפי MoleculeNet benchmark, D-MPNN מראה RMSE 0.65 על logS.

בעיה: כיסוי נתונים לא אחיד בין משימות. רעילות לב hERG: ~10k מולקולות; רעילות חריפה בעכברים: ~7k; קישור חלבוני פלזמה: ~3k. עם למידה רב-משימתית נאיבית, המודל מעדיף משימות עם מערכי נתונים גדולים יותר.

פתרון: קצבי למידה ספציפיים למשימה באמצעות ניתוח גרדיאנטים או PCGrad (Project Conflicting Gradients). בנוסף, אימון מודע לאי-ודאות: Monte Carlo Dropout להערכת אי-ודאות אפיסטמית — חשוב שהמודל יגיד "אני לא יודע" על מולקולות מחוץ להתפלגות.

תוצאות על benchmark של ChEMBL עם D-MPNN רב-משימתי:

הרווח מרב-משימתיות בולט במיוחד במערכי נתונים קטנים.

יצירת מולקולות דרך GNN

Junction Tree VAE (JT-VAE) יוצר מולקולות באמצעות פענוח היררכי: תחילה גרף של "שברים" תת-מבניים (טבעות, שרשראות), ולאחר מכן הרכבה. מבטיח תוקף של 100% (בניגוד ל-VAE מבוסס SMILES עם ~70%).

מודלי דיפוזיה לגרפים — DiGress ודומים מיישמים תהליך דיפוזיה במרחב הגרף. הם יוצרים מולקולות מגוונות כימית עם תכונות מוגדרות (יצירה מותנית בתכונות באמצעות הכוונה ללא סיווג).

פרקטיקה: יצירה → ניקוד דרך GNN ADMET מהיר → אימות דינמיקה מולקולרית למועמדים מובילים דרך OpenMM או GROMACS. זה סוגר את מחזור הפיתוח.

איך אנו מעריכים את הפרויקט שלך

עלות הפיתוח תלויה בנפח הנתונים ובמורכבות המשימה. אנו מציעים הערכה מקדימה תוך יומיים — צור קשר, ונכין הצעה מסחרית מפורטת. לוחות זמנים משוערים: MVP לחיזוי תכונות (מטרה אחת, מערך נתונים מוכן) — 6–10 שבועות; פלטפורמת ADMET מלאה עם יצירה ואימות — 6–12 חודשים.