製剤設計のための高度な機械学習と分子シミュレーション

概要

複雑な化学混合物（すなわち製剤）は、石油・ガス業界におけるガソリンブレンド、消費財における日用ケア製品、製薬業界における薬物送達など、幅広い用途で使用されています。考えられる製剤の数が膨大であること、規制要件が変化し続けていること、そして環境に優しく持続可能な製品に対する消費者の需要が高まっていることを踏まえると、より優れた製剤を設計するための革新的かつ費用対効果の高いソリューションが求められています。 原子スケールモデリングと機械学習（ML）における最新の進歩により、膨大な数の配合候補をコンピュータを用いてスクリーニングすることが可能となり、その結果、有望な配合の特定が加速され、コストのかかる実験を削減できるようになりました。

Schrödingerの「製剤機械学習（Formulation Machine Learning）」ツールは、データ駆動型の手法を用いて、成分の構造 や組成と製剤の特性との相関関係を明らかにします。このツールは、高度なケミインフォマティクス記述子と自動ハイパーパラメータ調整を活用して最適な機械学習モデルを特定するとともに、実験やハイスループット分子動力学（MD）計算から得られる外部特徴量（温度、圧力など）を、機械学習モデルへの追加入力として活用することを可能にします。 この「製剤ML」ツールにより、研究開発チームはMLモデルを迅速に学習・展開し、化学成分、組成、および外部要因を変化させることで、製剤の広範な設計空間を迅速に探索することが可能になります。