Close
Ir à UPM

Os resultados científicos do Centro de Descoberta de Fármacos impulsionada por Inteligência Artificial da UPM foram publicados numa revista de referência a nível internacional na área de Bioinformática

Um artigo da equipa de Liu Huanxiang, professora do Centro de Descoberta de Fármacos impulsionada por Inteligência Artificial da Faculdade de Ciências Aplicadas da Universidade Politécnica de Macau (FCA-UPM), intitulado Predicting molecular properties based on the interpretable graph neural network with multistep focus mechanism, foi publicado pela revista BRIEFINGS IN BIOINFORMATICS (2023, 24(1), 1-9, bbac534.), revista de referência a nível internacional na área de Bioinformática, sendo o primeiro autor desse artigo a aluna Tian Yanan, doutoranda do 1.º ano da UPM. A revista em causa é a melhor revista na área de Biologia Matemática e Computacional, com um factor de impacto de 13,994.

O processo de descoberta de medicamentos consiste essencialmente na optimização gradual das diversas propriedades dos compostos para a obtenção de medicamentos seguros e eficazes. Por isso, a predição precisa das propriedades dos compostos é essencial para o design e a optimização de novos medicamentos. Nos últimos anos, as técnicas de aprendizagem aprofundada, devido à sua grande capacidade de aprendizagem, têm sido aplicadas amplamente em áreas como a predição de propriedades moleculares e a geração de moléculas. No entanto, nos actuais métodos de previsão de propriedades moleculares baseados na aprendizagem aprofundada, a maioria dos modelos são como caixas pretas, que não podem fornecer orientações claras para o design de medicamentos e a optimização molecular. Para resolver este problema, o artigo em causa propôs uma nova rede neural de gráficos interpretável para a predição de propriedades moleculares. O modelo usa o gráfico molecular como a representação de input e usa a rede neural de passagem de mensagem como a estrutura básica, melhorando a previsão e a interpretabilidade do modelo através da incorporação de um mecanismo de foco em várias etapas. Um grande número de resultados experimentais em 8 conjuntos de benchmarks mostram que o modelo IFGN tem melhor desempenho de previsão em tarefas de classificação e tarefas de regressão. Os resultados da visualização também provam que o modelo IFGN pode identificar com sucesso, em moléculas, os nós-chave que estão intimamente relacionadas com as propriedades previstas, aumentando assim a interpretabilidade do modelo. Além disso, para facilitar o uso por parte dos desenvolvedores de medicamentos, a equipa de investigação científica também criou websites relacionados. O artigo acima referido está disponível para consulta, em:https://academic.oup.com/bib/articleabstract/24/1/bbac534/6918752?redirectedFrom=fulltext

Ministrando o primeiro curso de doutoramento em Descoberta de Fármacos impulsionada por Inteligência Artificial em Macau, o Centro de Descoberta de Fármacos impulsionada por Inteligência Artificial da Universidade Politécnica de Macau é orientado pelas necessidades estratégicas da biomedicina nacional e de Macau, baseando-se nas vantagens sólidas estabelecidas em disciplinas da FCA-UPM e da Faculdade de Ciências de Saúde e Desporto (FCSD-UPM), para se dedicar à formação de talentos complexos e interdisciplinares para o desenvolvimento de novos medicamentos através da aplicação das tecnologias de inteligência artificial, bem como à combinação das tecnologias de inteligência artificial com a selecção, o design e a optimização de medicamentos, aprofundando o intercâmbio e a cooperação com as empresas de biomedicina, promovendo activamente a transformação dos resultados de investigação científica.

Professor Liu Huanxiang (à direita) e a doutoranda Tian Yanan (à esquerda) do Centro de Descoberta de Fármacos impulsionada por Inteligência Artificial da Universidade Politécnica de Macau
O artigo foi publicado pela revista internacional de bioinformática de topo, Briefings in Bioinformatics, que é a número 1 na área da Matemática e Biologia Computacional, com um fator de impacto de 13,994

 

Top Top