Une équipe de l'Université de Toronto a publié dans Nature Computational Science une nouvelle méthode, HIP, qui prédit directement la matrice hessienne complète d'une molécule en évitant l'étape coûteuse de dérivation.
Une boucle d'apprentissage actif associée à l'apprentissage profond géométrique améliore la prédiction des réactions en chimie médicinale lorsque les données sont rares : l'IA apprend à juger où une molécule doit se rompre.
La méthode « 2-step » rend la prédiction des temps de rétention en chromatographie liquide des petites molécules utilisable immédiatement, sans réentraînement pour de nouveaux systèmes, au bénéfice direct de la découverte de médicaments et de la recherche sur les produits naturels.
Des chercheurs de l'Université Columbia (laboratoires de Cornish et de Ken Shepard) ont utilisé un cycle conception-construction-test piloté par l'IA pour modifier une levure sensible au PFOA et au PFOS, et créé une bandelette à tremper qui mesure instantanément les PFAS dans l'eau.
XtalPi a dévoilé le 6 octobre les détails de sa plateforme Kodexia, où IA générative, modélisation biologique et expériences automatisées forment une boucle fermée pour accélérer la découverte de thérapies à base de petits ARN interférents (siRNA).
Une équipe de l'Université de New York présente dans Chemical Science une IA entraînée sur des motifs chimiques liés à la stabilité pour prédire la position des atomes d'hydrogène dans les molécules médicamenteuses, résolvant l'ancien problème de l'attribution des tautomères.
Transcripta Bio et Synfini annoncent avoir obtenu en quelques semaines un composé chef de file de niveau validation contre le gène MSH3, alors que la référence du secteur entre le composé initial et la désignation du candidat est de 12 à 18 mois.