研究人员旨在通过使用 AI 计算结合效率来加速药物发现

麻省理工学院的研究人员最近开发了一种新的 AI 驱动技术，以加速药物发现的速度，通过增加用于评估药物 分子结合亲和力的 计算速度。

药物必须能够粘附在蛋白质上，以执行其设计任务。评估药物粘附蛋白质的能力是药物发现和筛选过程中的一个重要部分，机器学习技术可以减少评估这一重要药物属性所花费的时间。

开发新药评估技术的麻省理工学院研究团队称之为 DeepBAR。DeepBAR 结合机器学习算法和传统化学计算。DeepBAR 计算给定候选药物及其目标蛋白质的结合潜力。这种新分析技术比传统方法更快地提供药物结合能力的估计值，希望这种技术可以提高药物发现的速度。

药物的结合潜力通过一个称为结合自由能的指标来量化，较小的数字表示更大的结合潜力。较低的结合自由能评分意味着药物具有很高的能力来与其他分子竞争，填充这些分子的角色并破坏蛋白质的正常功能。药物候选物的结合自由能与该药物的有效性之间存在很高的相关性。然而，测量结合自由能可能相当困难。

有两种常见的方法来测量结合自由能。一种方法是计算结合自由能的确切量，另一种方法是估计结合自由能的量。估计比精确测量计算量较少，但明显存在精度折衷。

DeepBAR 方法仅使用精确测量方法的一小部分计算能力，但提供了结合能的高精度估计。DeepBAR采用“Bennett 接受率”，这是通常用于计算结合自由能的算法。Bennett 接受率需要使用两个基线/端点状态和多个中间状态（即部分结合状态）。DeepBAR 方法尝试通过使用 Bennett 接受率和机器学习框架以及深度生成模型来减少估计结合能所需的计算量。机器学习模型为每个端点生成一个参考状态，这些端点足够接近实际端点，可以部署 Bennett 接受率。

麻省理工学院研究团队设计的深度生成模型基于计算机视觉技术。基本上，DeepBAR将其分析的每个分子结构视为图像，分析“图像”的特征以从中学习。研究团队必须对算法进行一些修改，以适应 3D 结构的分析，因为计算机视觉算法通常在 2D 图像上运行。

在初步测试中，DeepBAR能够比传统技术快约 50 倍地计算结合自由能。该模型仍需要一些工作。它需要使用比初始测试中使用的更复杂的实验数据来验证，初始测试中使用的数据相当简单。麻省理工学院研究团队旨在通过利用计算机科学的最新进展来改进 DeepBar 计算大型蛋白质结合自由能的能力。

DeepBAR 并不是首次尝试将 AI 应用于药物发现流程，以提高药物发现的速度。许多其他研究项目也使用 AI 自动化药物发现流程的各个方面并提高其效率。然而，可能存在一个自然瓶颈，限制了这些策略的有效性。

正如 Derek Lowe最近在 ScienceMag.org 上的博客中所论述的，如果目标是提高药物发现的速度，很重要的是要“解决正确的问题”。评估药物的临床有效性和安全性需要大量时间，找到使用 AI 来降低临床失败率的方法很困难。最终，AI 方法在药物发现方面可以节省的时间可能存在一个下限，至少在 AI 可以被有意义地集成到临床评估流程之前都是如此。尽管如此，改进是改进，像 DeepBAR 这样的研究越多，科学家就越有时间考虑在药物发现流程的其他领域使用 AI 的方法。