人工智能用于创建抗纤维化药物分子

创建新药物是一个复杂的过程，需要数年时间和数十亿美元的投资。然而，这也是为了人们的健康而必须做出的投资。人工智能可能会使新药物的发现变得更容易、更快，如果Insilico Medicine公司的最新工作继续取得进展的话。根据SingularityHub的报道，这家人工智能初创公司最近利用人工智能设计了一种可以对抗纤维化的分子。

由于发现新药物的过程非常复杂和耗时，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物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，在这方面的进展却很慢，工程师们难以找到合适的算法来创建药物。

深度学习使得人工智能驱动的药物发现变得更加可行，过去几年，制药公司大量投资于人工智能初创公司。有一家公司成功地使用人工智能设计了一种可以对抗纤维化的分子，只用了46天就想出了一个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。模型可以因为做出不良选择而受到惩罚，也可以因为做出良好选择而受到奖励。通过使用正反馈和负反馈的结合，模型被引导向做出期望的决定，并且会趋向于做出能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，因为它们由两个不同的神经网络组成，这两个网络相互竞争。两个网络被给予示例对象来训练，通常是图像。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，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。两个网络试图超越对方，当它们都提高了自己的性能来超越对方时，这种虚拟的军备竞赛导致了伪造模型生成的对象几乎无法与真实的对象区分。

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非常类似于现有治疗药物的新药物分子。

Insilico Medicine公司关于人工智能药物发现的实验结果最近发表在Nature Biotechnology杂志上。在论文中，研究人员讨论了如何训练深度学习模型。研究人员取已用于处理与特发性肺纤维化（IPF）相关蛋白质的药物分子的表示作为训练的基础，并且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个候选分子，并选择了六个最有前途的分子进行实验室测试。这些六个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。其中一个分子看起来很有希望，因为它得到了人们期望的在医疗药物中看到的结果。

需要注意的是，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，这使得研究团队在训练模型时有了大量的数据来参考。

另一个重要的事实是，该公司目前的药物开发模型仅涉及初步发现过程，并且由他们的模型生成的分子仍需要进行许多调整和优化，才能有可能用于临床试验。

根据Wired的报道, Insilico Medicine公司的CEO Alex Zhavornokov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。实验的目标是看看有了AI系统的帮助，药物可以被多快设计出来。然而，Zhavornokov指出，研究人员能够比使用传统的药物发现方法更快地设计出一个可能有用的分子。

尽管有这些限制，Insilico Medicine公司的研究仍然代表了人工智能在创建新药物方面的一个显著进步。研究中使用的技术的改进可能会大大缩短开发新药物所需的时间。这在我们面临抗生素耐药细菌日益增多和许多以前有效的药物失去效力的时代尤其有用。