Uma equipe da Universidade de Toronto publicou na Nature Computational Science um novo método, o HIP, que prevê diretamente a matriz hessiana completa de uma molécula, dispensando a custosa etapa de derivação.
Um ciclo de aprendizado ativo aliado a aprendizado profundo geométrico melhora a previsão de reações em química farmacêutica quando faltam dados: a IA aprende a julgar onde a molécula deve quebrar.
O método "2-step" torna a previsão do tempo de retenção em cromatografia líquida de moléculas pequenas utilizável de imediato, sem retreinar para novos sistemas, beneficiando diretamente a descoberta de fármacos e a pesquisa de produtos naturais.
Pesquisadores da Universidade Columbia (laboratórios de Cornish e de Ken Shepard) usaram um ciclo de projeto-construção-teste com IA para modificar levedura que detecta PFOA e PFOS, e criaram uma tira de mergulhar que mede PFAS na água instantaneamente.
A XtalPi divulgou em 6 de outubro detalhes da plataforma Kodexia, em que IA generativa, modelagem biológica e experimentos automatizados formam um ciclo fechado para acelerar a descoberta de terapias com RNA interferente pequeno (siRNA).
Uma equipe da Universidade de Nova York relata na Chemical Science uma IA treinada com padrões químicos de estabilidade para prever a posição dos átomos de hidrogênio em moléculas de fármacos, resolvendo o antigo problema da atribuição de tautômeros.
A empresa de descoberta de fármacos com IA Transcripta Bio e a «fundição química de IA» Synfini relatam ter obtido em semanas um composto líder de nível de validação contra o gene MSH3, enquanto a referência do setor entre o composto inicial e a indicação do candidato é de 12 a 18 meses.