在一项突破性研究中，麻省理工学院和塔夫茨大学的研究人员开发了一种机器学习(ML)方法来加速药物发现过程。
有大量的药物库，其中包含数十亿种不同的化合物，可以有效地治疗从癌症到心脏病的各种疾病。问题是，我们如何找到他们？
药物发现传统上是一个劳动密集型的过程，科学家必须针对所有可能的靶点测试每种潜在化合物——这是一项耗时且昂贵的工作。
为了解决这个问题，研究人员已经开始使用计算方法来筛选药物化合物文库。然而，这种方法仍然需要相当长的时间，因为它涉及到根据每个目标蛋白质的氨基酸序列计算其三维结构。
然而，麻省理工学院和塔夫茨大学的团队设计了一种基于大型语言模型（LLM）的新方法，这是一种支持ChatGPT等人工智能的模型类型。该模型分析大量数据，以确定哪些氨基酸可能匹配在一起，类似于ChatGPT等语言模型分析大量文本以确定哪些单词匹配在一起。
这个名为ConPLex的新模型将目标蛋白质与潜在的药物分子进行匹配，而不需要计算分子结构。该模型使研究人员能够在一天内筛选出1亿多种化合物。
西蒙斯数学教授、麻省理工学院计算机科学和人工智能实验室(CSAIL)计算和生物学小组负责人Bonnie Berger说：“这项工作满足了对潜在候选药物进行高效和准确的电子筛选的需求，该模型的可扩展性使大规模筛选能够评估非靶标效应、药物重新用途以及确定突变对药物结合的影响。”
人工智能简化药物筛选和开发
该领域的一个关键障碍是，现有模型往往无法丢弃“诱饵”化合物。这些化合物类似于成功的药物，但不能与目标药物很好地相互作用。为了排除诱饵，研究小组加入了一个训练阶段，帮助模型区分真正的药物和冒名顶替者。
研究人员通过对一组51种称为蛋白激酶的酶筛选约4700个候选药物分子的文库来测试ConPLex模型。
在对19个最有希望的药物-蛋白质对进行实验测试后，他们发现其中12个与靶标具有很强的结合亲和力。
虽然这项研究主要集中在小分子药物上，但该团队正在探索如何将这种方法应用于其他类型的药物，如治疗性抗体。
该模型还可以对潜在的药物化合物进行毒性筛选，确保它们在动物模型中测试之前不会产生不必要的副作用。
CSAIL的研究科学家罗希特·辛格说：“药物发现如此昂贵的部分原因是它的失败率很高。如果我们能通过提前说出这种药物不太可能奏效来降低失败率，那将大大有助于降低药物发现的成本。“
美国国家癌症研究所癌症数据科学实验室主任Eytan Ruppin称赞这种方法是“药物—靶标相互作用预测的重大突破”。
5月下旬，另一个涉及麻省理工学院的研究小组建立了一个抗生素筛选模型，其工作原理与此相似。
该团队使用机器学习探索了数千种现有的药物，找到了一种对耐药超级细菌有效的特定化合物。
点击此处阅读更多相关信息。
