Kode Chemoinformatics lancia ALChemy

Kode Chemoinformatics lancia ALChemy,la suite per l’apprendimento automatico in ambito chimico

Grazie all’integrazione del suo nuovo prodotto QUEEN con il recente strumento di selezione delle features (FAST), ALChemy semplifica l’intero processo di modellazione QSAR.

Kode Chemoinformatics, la Business Unit di Kode, dedicata ai progetti di chemoinformatica e Intelligenza Artificiale in ambito chimico, farmacologico, alimentare e biotecnologico, lancia ALChemy (Automated Learning for Chemistry), la suite  in grado di gestire l’intero processo di modellazione QSAR/QSPR  (Quantitative Structure-Activity/Property Relationship), dalla selezione delle features all’addestramento dei modelli predittivi.

La suite è nata dall’integrazione di due prodotti sviluppati dalla BU Kode Chemoinformatics, eseguibili singolarmente o in pipeline:

• FAST: l’applicazione progettata per automatizzare la selezione dei descrittori molecolari per la modellazione QSAR/QSPR
• QUEEN: il nuovo prodotto sviluppato con l’obiettivo di automatizzare la costruzione, l’addestramento e il deploy di modelli predittivi per applicazioni QSAR/QSPR, che sfrutta la potenza delle reti neurali facilitandone l’uso e la configurazione.

FAST – Feature Analysis and Selection Tool

Lanciata negli ultimi mesi sul mercato, FAST è un’applicazione progettata per automatizzare la selezione dei descrittori molecolari per la modellazione QSAR/QSPR.

Poiché nessuna delle molte tecniche disponibili per la selezione delle feature presenta un vantaggio teorico rispetto alle altre (né esiste ancora un criterio per identificare a priori l’approccio migliore), l’idea alla base di questo prodotto è quella di cercare e testare sistematicamente centinaia di soluzioni diverse ottenute con altrettanti metodi.

Questo permette di valutare e selezionare a posteriori la soluzione che presenta le migliori prestazioni, usando un approccio sequenziale che, riducendo ad ogni step la dimensione del dataset, permette di essere gestito anche su un normale laptop.

QUEEN – QSAR Under Effective and Efficient Neural-Networks

Negli ultimi anni, i modelli QSAR basati sulle reti neurali hanno ottenuto sempre più popolarità grazie alla loro capacità di rilevare relazioni complesse e non lineari nei dati chimici. Nonostante sia necessaria una parametrizzazione spesso complessa, questi modelli si sono imposti come gli algoritmi più potenti e versatili per gestire questo tipo di problemi.

Queen è stato pensato proprio per abbattere questa complessità.

QUEEN copre tutte le fasi del processo di modellazione, dall’importazione dei dati all’implementazione del modello, con un’interfaccia grafica user friendly. Il tool incorpora:

• una fase per l’importazione dei dati iniziali, semplice e intuitiva
• un algoritmo di ottimizzazione degli iperparametri completamente automatizzato basato su un metodo Bayesiano
• una sessione dedicata al training del modello
• la possibilità di unire le predizioni di centinaia di modelli in un’unica risposta.

Lo strumento è completato da una funzione di export, che consente di salvare il modello finale. Il file esportato potrà quindi essere trasferito, ricaricato e utilizzato per prevedere la proprietà target su qualsiasi nuovo campione. Ogni previsione è accompagnata da un indice di affidabilità indicante se e quanto il nuovo campione esaminato appartiene al  dominio di applicabilità del modello.

Il modello esportato può essere importato ed eseguito sia su QUEEN che su QUEEN Runner, la versione con licenza gratuita di QUEEN, creata solo per l’esecuzione di modelli già esistenti.

ALChemy

Solo due mesi dopo il lancio di FAST, Kode Chemoinformatics ha completato con successo lo sviluppo di QUEEN, ampliando così il raggio di azione della suite, fino a gestire l’intero processo di modellazione.

ALChemy rappresenta un importante supporto per aziende e centri di ricerca impegnati  nell’identificazione di molecole aventi desiderate proprietà.

Lo sviluppo e il rilascio della suite in tempi così brevi  è stato reso possibile dalla filosofia di lavoro di Kode: garantire risposte rapide nella creazione di soluzioni che consentano di risparmiare tempo, risorse e fatica  nel campo  ambientale,  farmaceutico ed ecotossicologico.

Alessio Sommovigo, BU Manager di Kode Chemoinformatics, dichiara: “Siamo orgogliosi di questa suite. Poche sono le soluzioni sul mercato della chemoinformatica che si pongono un obiettivo così alto: supportare l’intero processo di modellazione. Con ALChemy vogliamo rendere più facile per tutti i chimici computazionali trarre profitto dalle più innovative tecnologie di data science, garantendo risultati robusti e performanti in qualsiasi condizione, mantenendo un setup semplice e quasi privo di parametri di configurazione.”

Aggiunge Marco Calderisi, CEO di Kode: “E’ un piacere contribuire a diffondere l’uso della statistica in ambito chimico. In Kode lo vediamo ogni giorno che lavorare con team multidisciplinari consente di raggiungere risultati eccellenti. Infatti, noi crediamo fortemente che la contaminazione (di competenze, in primis, ma non solo) sia la strada per risolvere molte delle sfide che affrontiamo quotidianamente. La Suite ALChemy ne è la dimostrazione”.

Kode da oltre 10 anni crea prodotti e soluzioni di Intelligenza Artificiale per i suoi clienti nel settore logistica, industria 4.0, chimica ed healthcare. Grazie all’esperienza e al mix di competenze multidisciplinari, è il partner tecnologico ideale per le aziende che vogliono intraprendere un percorso di trasformazione digitale, sfruttando la Data Science per migliorare ed efficientare il proprio business grazie all’Intelligenza Artificiale.

Oltre ai progetti custom, Kode offre quattro prodotti verticali AI-based:

• FactorAI: per la trasformazione digitale delle aziende
• Kodelivery, per l’ottimizzazione della logistica
• Vega Toolkit : tool per l’applicazione di modelli QSAR multipli per screening e esigenze regolatorie
• ALChemy: (Automated Learning for Chemistry), la suite per gestire l’intero processo di modellazione QSAR/QSPR, dalla selezione delle features all’addestramento dei modelli predittivi.

Leggi altro su Innovazione