人工智能被用来创造一种可能对抗纤维化的药物分子

创建新的医药是复杂的过程，可能需要数年的研究和数十亿美元的投资。然而，这对于人们的健康来说是一个重要的投资。人工智能可能会使新药的发现变得更容易和更快，如果Insilico Medicine公司的最新工作继续取得进展的话。 如SingularityHub报道，该人工智能公司最近利用人工智能设计了一种可能对抗纤维化的分子。

由于发现新药分子的过程复杂且耗时，科学家和工程师不断寻找加快这一过程的方法。使用计算机帮助发现新药的想法并不是新鲜的，因为这个概念已经存在了几十年。然而，在这方面的进展很慢，工程师们难以找到适合药物创造的合适算法。

深度学习开始使人工智能驱动的药物发现更加可行，过去几年中，制药公司大量投资于人工智能公司。有一家公司成功地使用人工智能设计了一种可能对抗纤维化的分子，只用了46天就设计出了类似于治疗药物的分子。Insilco Medicine公司结合了两种不同的深度学习技术来实现这一结果：强化学习和生成对抗网络（GANs）。

强化学习是一种机器学习方法，它通过提供反馈来鼓励机器学习模型做出某些决定，这种反馈会引发某些反应。该模型可以因做出不良选择而受到惩罚，也可以因做出良好选择而受到奖励。通过使用正反馈和负反馈的组合，模型被引导向做出期望的决定，并且会趋向于做出最小化惩罚和最大化奖励的决定。

与此同时，生成对抗网络是“对抗”的，因为它们由两种不同的神经网络组成，这两种网络相互对立。两种网络被给予训练的对象示例，通常是图像。其中一个网络的任务是创建一个伪造的对象，一个足够相似的对象，以至于可以与真正的对象混淆。另一个网络的任务是检测伪造的对象。两种网络试图超越对方，当它们都在提高性能以超越对方时，这种虚拟的军备竞赛导致伪造模型生成的对象几乎无法与真正的对象区分。

通过结合GANs和强化学习算法，研究人员能够使他们的模型产生极其相似的新药分子，与现有的治疗药物非常相似。

Insilico Medicine公司的AI药物发现实验结果最近发表在《自然生物技术》杂志上。在论文中，研究人员讨论了如何训练深度学习模型。研究人员取已用于药物的分子表示，以处理与特发性肺纤维化（IPF）相关的蛋白质。这些分子被用作训练的基础，结合的模型能够生成大约30,000种可能的药物分子。

研究人员然后筛选了30,000种候选分子，并选择了六种最有前途的分子进行实验室测试。这些六种最终候选分子在实验室中合成，并用于一系列跟踪其针对IPF蛋白质能力的测试。其中一个分子特别有前途，因为它提供了期望在医药中看到的结果。

值得注意的是，实验中针对的纤维化药物已经被广泛研究，已经有多种有效的药物可用于治疗。研究人员可以参考这些药物，这给了研究团队一个优势，因为他们有大量的数据来训练他们的模型。然而，这并不适用于许多其他疾病，因此在这些治疗方法上还有很大的差距需要弥补。

另一个重要的事实是，该公司的当前药物开发模型仅处理初始发现过程，并且他们的模型生成的分子仍需要许多调整和优化，才能可能用于临床试验。

根据Wired报道，Insilico Medicine公司的CEO Alex Zharvornokov承认，他们的AI驱动的药物还没有准备好投入使用，当前的研究只是一个概念证明。该实验的目标是看看有了AI系统的帮助，药物可以被设计得多快。然而，Zhavornokov指出，研究人员能够比使用常规药物发现方法更快地设计出一种可能有用的分子。

尽管有这些限制，Insilico Medicine公司的研究仍然代表了在使用人工智能创建新药方面的一个显著进步。所用技术的改进可能会大大缩短开发新药所需的时间。这在一个抗生素耐药细菌正在繁殖和许多以前有效的药物正在失去效力的时代尤其有用。