加州大学圣迭戈分校的科学家们开发了一种机器学习算法，用于模拟药物发现最初阶段所涉及的耗时化学反应，这可能会大大简化这一过程，并为前所未有的治疗方法打开大门。确定需要进一步优化的候选药物通常需要进行数千次单独实验，但新的人工智能（AI）平台可能只需要一小部分时间就能得到相同的结果。

利用人工智能改进药物发现和开发是制药科学中一个新的但却日益增长的趋势，而这项技术正是这一趋势的一部分。研究人员利用今天（5 月 6 日）发表在《自然-通讯》（Nature Communications）上的这一新工具合成了 32 种候选抗癌新药。

图中的资深作者 Trey Ideker 是加州大学圣地亚哥分校医学、计算机科学和生物工程学教授。图片来源：Erik Jepsen/加州大学圣地亚哥分校

"几年前，人工智能在制药行业还是一个肮脏的字眼，但现在的趋势绝对是相反的，生物技术初创公司发现，如果不在商业计划中涉及人工智能，就很难筹集到资金，"资深作者、加州大学圣地亚哥分校医学院医学系教授、加州大学圣地亚哥分校雅各布斯工程学院生物工程和计算机科学兼职教授特雷-伊德克（Trey Ideker）说。"人工智能引导的药物发现已经成为工业界一个非常活跃的领域，但与公司正在开发的方法不同，我们正在将我们的技术开源，让任何想使用它的人都能使用。"

多靶点药物研发的优势

这个名为 POLYGON 的新平台在用于药物发现的人工智能工具中是独一无二的，因为它可以识别具有多个靶点的分子，而现有的药物发现方案目前优先考虑的是单靶点疗法。多靶点药物之所以备受医生和科学家的关注，是因为它们有可能带来与联合疗法相同的疗效，即同时使用几种不同的药物来治疗癌症，但副作用较小。

伊德克说："寻找和开发一种新药需要花费多年时间和数百万美元，尤其是当我们谈论的是一种具有多个靶点的药物时。我们罕见的几种多靶点药物在很大程度上是偶然发现的，但这项新技术可以帮助消除偶然性，启动新一代精准医疗。"

POLYGON 的工作原理

研究人员在一个包含 100 多万个已知生物活性分子的数据库中对 POLYGON 进行了训练，该数据库包含这些分子的化学性质和与蛋白质靶点的已知相互作用的详细信息。通过学习数据库中发现的模式，POLYGON 能够为可能具有某些特性（如抑制特定蛋白质的能力）的候选新药生成原始化学配方。

"就像人工智能现在非常擅长生成原创的图画和图片一样，比如根据所需的年龄或性别等属性生成人脸图片，POLYGON 能够根据所需的化学属性生成原创的分子化合物，"伊德克说。"在这种情况下，我们不是告诉人工智能我们希望自己的脸看起来有多老，而是告诉它我们希望未来的药物如何与疾病蛋白相互作用。"

这项研究的共同作者凯瑟琳-利孔（Katherine Licon）是加州大学圣迭戈分校艾德克实验室的实验室经理，该实验室将计算技术和传统湿实验室技术相结合，以回答有关疾病生物学的基本问题，并发现加强精准医疗的新方法。图片来源：Erik Jepsen/加州大学圣地亚哥分校

测试和结果

为了对 POLYGON 进行测试，研究人员用它生成了数百种候选药物，这些药物以各种癌症相关蛋白对为靶标。在这些候选药物中，研究人员合成了 32 种分子，这些分子与 MEK1 和 mTOR 蛋白的相互作用最强。这两种蛋白被科学家称为合成致命蛋白，这意味着同时抑制这两种蛋白就足以杀死癌细胞，即使单独抑制其中一种也无法杀死癌细胞。

研究人员发现，他们合成的药物对 MEK1 和 mTOR 有显著的活性，但与其他蛋白质的脱靶反应很少。这表明，POLYGON 鉴定出的一种或多种药物可以同时针对这两种蛋白质进行癌症治疗，为人类化学家提供了一份微调选择清单。

伊德克说："有了候选药物之后仍然需要做所有其他化学工作，才能将这些选择提炼成单一有效的治疗方法。我们不能也不应该试图从药物研发管道中消除人类的专业知识，但我们能做的是缩短流程中的几个步骤。"

尽管如此，研究人员仍然乐观地认为，人工智能在药物发现方面的可能性才刚刚被探索出来。

伊德克说："在未来十年中，无论是在学术界还是在私营部门，看到这一概念如何发挥作用都将是非常令人兴奋的。可能性几乎是无穷无尽的。"

编译来源：ScitechDaily