Artificial intelligence is revolutionizing Drug Discovery, evolving from generic neural networks to Machine Learning and Deep Learning, up to the structural prediction of AlphaFold 1, 2, and 3. Deep‑learning algorithms are analyzed for de novo molecule generation, binding affinity prediction, and pharmacokinetic optimization, integrating the AlphaFold Protein Structure Database for molecular docking. The results show that AlphaFold3 improves maximum confidence in structural prediction for a protein residue (pLDDT) >90 for 75% of protein–ligand complexes compared to traditional methods, reducing screening times from months to hours. The prospects of AlphaProteo are explored, representing the ultimate evolution of Drug Design; it is an AI system designed to generate novel high‑affinity protein binders for various protein targets.

L’intelligenza artificiale sta rivoluzionando il Drug Discovery, evolvendo dalle reti neurali generiche al Machine Learning e Deep Learning, fino alla predizione strutturale di AlphaFold 1, 2 e 3. Vengono analizzati gli algoritmi di apprendimento profondo per la generazione de novo di molecole, la predizione di affinità di legame e ottimizzazione farmacocinetica, integrando il Protein Structure Database di AlphaFold per il docking molecolare. I risultati dimostrano come AlphaFold3 migliori la massima confidenza nella predizione strutturale per un residuo proteico (pLDDT) >90 per il 75% dei complessi proteina-ligando, rispetto ai metodi tradizionali, riducendo i tempi di screening da mesi a ore. Vengono esplorate le prospettive di AlphaProteo che rappresenterà l’evoluzione definitiva del Drug Design, è un sistema di IA progettato per generare nuovi binder proteici ad alta affinità per diversi bersagli proteici.

Neural Drug Design: come l'IA sta trasformando la progettazione dei farmaci del futuro

LODIGIANI MALLMA, NEFRIS DEYSI
2024/2025

Abstract

Artificial intelligence is revolutionizing Drug Discovery, evolving from generic neural networks to Machine Learning and Deep Learning, up to the structural prediction of AlphaFold 1, 2, and 3. Deep‑learning algorithms are analyzed for de novo molecule generation, binding affinity prediction, and pharmacokinetic optimization, integrating the AlphaFold Protein Structure Database for molecular docking. The results show that AlphaFold3 improves maximum confidence in structural prediction for a protein residue (pLDDT) >90 for 75% of protein–ligand complexes compared to traditional methods, reducing screening times from months to hours. The prospects of AlphaProteo are explored, representing the ultimate evolution of Drug Design; it is an AI system designed to generate novel high‑affinity protein binders for various protein targets.
2024
Neural Drug Design: How AI is transforming the design of future drugs
L’intelligenza artificiale sta rivoluzionando il Drug Discovery, evolvendo dalle reti neurali generiche al Machine Learning e Deep Learning, fino alla predizione strutturale di AlphaFold 1, 2 e 3. Vengono analizzati gli algoritmi di apprendimento profondo per la generazione de novo di molecole, la predizione di affinità di legame e ottimizzazione farmacocinetica, integrando il Protein Structure Database di AlphaFold per il docking molecolare. I risultati dimostrano come AlphaFold3 migliori la massima confidenza nella predizione strutturale per un residuo proteico (pLDDT) >90 per il 75% dei complessi proteina-ligando, rispetto ai metodi tradizionali, riducendo i tempi di screening da mesi a ore. Vengono esplorate le prospettive di AlphaProteo che rappresenterà l’evoluzione definitiva del Drug Design, è un sistema di IA progettato per generare nuovi binder proteici ad alta affinità per diversi bersagli proteici.
File in questo prodotto:
File Dimensione Formato  
Tesi Nefris L..pdf

non disponibili

Descrizione: Drug Design mediante l'utilizzo di reti neurali: Machine Learning e Deep Learning, fino alla predizione strutturale di AlphaFold 1,2 e 3.
Dimensione 1.6 MB
Formato Adobe PDF
1.6 MB Adobe PDF   Richiedi una copia

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/34321