Die Hauptprobleme bei der Verwendung von maschinellem Lernen sind die begrenzte Datenbeschriftung und die Inkompatibilität zwischen Assays, den Tests, die die Aktivität oder Potenz von Medikamenten messen. Obwohl FEP-Berechnungen eine hohe Genauigkeit aufweisen, erfordern sie umfangreiche Rechenressourcen, die für groß angelegte Anwendungen oft nicht erschwinglich sind. Der Zugang zu schwer zu erlangenden dreidimensionalen Proteinstrukturen ist oft nur mit teurer Ausrüstung und aufwändigen Laborverfahren möglich.
Ein Team aus Singapur setzt künstliche Intelligenz ein, um mittels Hirnscans Gedanken zu lesen. Die Ergebnisse des Modells ActFound deuten darauf hin, dass es eine effektive Bioaktivitäts-Grundlagenmodell für verschiedene Aktivitäten sein könnte. Durch die Vorhersage von Bioaktivitäten können Wissenschaftler potenziell nützliche Verbindungen identifizieren, um zeitaufwändige und teure Experimente zu minimieren.
Trotz des Potenzials maschinellen Lernens gibt es einige Herausforderungen, die seine Anwendung einschränken. Bestehende maschinelle Lernansätze haben eine geringe Verallgemeinerbarkeit bei der Vorhersage von Bioaktivitäten aufgrund der geringen Anzahl von Verbindungen in jedem Assay und der inkompatiblen Messungen zwischen den Assays. Foundation-Modelle, die auf großen Datensätzen vorab trainiert sind, um Vorhersagen für nicht beschriftete Datensätze zu verallgemeinern, sind eine Möglichkeit, diese Probleme zu umgehen. ActFound wurde unter anderem mit 35.644 Assays aus einer beliebten chemischen Datenbank sowie 1,6 Millionen experimentell gemessenen Bioaktivitäten trainiert.
Die Kombination von Metalerlernen und paarweisem Lernen in der Bioaktivitätsvorhersage war neuartig. ActFound wurde auf sechs echten Bioaktivitätsdatensätzen getestet und übertraf neun konkurrierende Modelle für Vorhersagen im selben Bereich. Das Team führte auch eine Fallstudie durch, um festzustellen, ob ihr Modell zur Vorhersage der Bioaktivität von Krebsmedikamenten verwendet werden kann, und stellte fest, dass es besser abschnitt als andere Modelle. Dies deutet darauf hin, dass ActFound ein effektives Bioaktivitäts-Grundlagenmodell für die Vorhersage der Bioaktivität von Verbindungen sein könnte, was den Weg für die maschinenbasierte Arzneimittelentwicklung und -entdeckung ebnet.