Před implementací řešení CHEESE se klienti v raných fázích objevování léčiv potýkali s významnou neefektivitou a časovými ztrátami. Tradiční metody pro virtuální screening a vyhledávání molekulární podobnosti v rozsáhlých databázích (desítky miliard molekul) byly pomalé a nepraktické. Dopadem bylo prodloužení vývojových cyklů (napríklad úspora 200 dnů výpočtů docking skóre) a obtížná identifikace vhodných sloučenin. Bylo zásadní tento problém vyřešit pro urychlení raných fází vývoje léků, snížení nákladů a získání konkurenční výhody.
Urychlení vývoje léčiv pomocí ultra-rychlého prohledávání molekulárních databází
Jméno klientaInstitute of Organic Chemistry and Biochemistry of the Czech Academy of Sciences
Země klientaČeská republika, USA
- Typ klientaJiné
- OdvětvíZdravotnictví, farmacie a biotechnologie
- Oblast nasazeníVývoj produktů, inovace a VaV
- AI technologiePokročilá analytika / Data Science, Strojové učení
- Přínos pro byznysProduktivita a podpora zaměstnanců, Rozhodování a plánování na základě dat
- Typ datOstatní
- Model dodání Služba / Předplatné, Produkt / Licencovaný software
- NasazeníHybridní řešení
- Klíčové schopnostiOstatní
- Fáze projektuŠkálování / rozšířená implementace
- Formy řešeníRozhraní přes API / Mikroslužby, Webový portál / dashboard
Popis řešení
Obchodní problém
Řešení
Vytvořeným řešením je platforma CHEESE, sada nástrojů na bázi umělé inteligence pro objevování léčiv. Její hlavní funkcí je CHEESE Search, který umožňuje extrémně rychlé 3D vyhledávání podobnosti (tvaru a elektrostatiky) v obrovských chemických databázích (desítky miliard molekul) v řádu sekund. Systém reaguje na potřeby klienta tím, že využívá AI-generované vektory reprezentující molekuly, takže během vyhledávání není třeba generovat konformery, což výrazně zvyšuje rychlost a škálovatelnost. Díky intuitivnímu uživatelskému rozhraní a vysoké míře automatizace umožňuje efektivní screening, dříve nemyslitelný, a urychluje rané fáze vývoje léků.
Hlavní uživatelé řešení
Medicinální chemici, chemoinformatici
Časový rámec projektu (měsíce)
1
Použité technologie
hluboké učení, latentní metrický prostor
Dodatečné služby
- Identifikace a prioritizace vhodných use‑casů
- Sběr a předzpracování dat
- Výběr a přizpůsobení AI modelu
- Systematické AI vzdělávací programy
- Průběžná údržba a retraining modelu
Implementace
Vlastník projektu na straně klienta
Vedoucí funkční / provozní jednotky
Participace na straně klienta
- Data & ML specialisté
- Softwarové & datové inženýrství / IT Ops
- Koncoví uživatelé
Forma zapojení dodavatele
Pouze technická podpora / konzultace
Provoz a údržba
Provozní model
interní IT odběratelé
Potřebné kompetence na straně klienta
Infrastructure/IT tým
Další zdroje nebo infrastruktura
Kubernetes/Docker, dočasný GPU setup
Dopad a výsledky
Kvalitativní přínosy
Urychlení early drug discovery Rozšíření prozkoumávaného prostoru kandidátních molekul
Poučení a doporučení
Klíčové faktory úspěchu
Unikátní řešení problému vycházející z úzké spolupráce s doménovými odborníky a špičkové AI odbornosti dodavatele.
Největší výzvy
Potřeba mluvit jazykem odborníků na biochemii/drug discovery—najděte nadšeného platícího partnera. Tato dvojí motivace je zásadní.
Doporučení pro ostatní
Try harder 🙂
Propagace
Demo / veřejné výstupy
- SpolečnostDeep MedChem
- KontaktJan Macek
- Emailjan.macek@deepmedchem.com
- Webhttps://www.deepmedchem.com
- AdresaRevoluční 17, 110 00 Praha