剑桥大学的研究人员利用人工智能加快了帕金森病治疗方法的发现，他们筛选了数百万种化合物，最终确定了五种有效的候选药物。这种人工智能驱动的方法将筛选过程提高了十倍，并大幅降低了成本，有可能加快为全球快速增长的帕金森病患者开发新的治疗方法。

研究人员利用人工智能方法大大加快了发现帕金森病治疗方法的速度。剑桥大学的研究人员设计并使用了一种基于人工智能的策略，以确定能够阻止α-突触核蛋白（帕金森病的特征蛋白）凝结或聚集的化合物。

研究小组利用机器学习技术快速筛选了包含数百万个条目的化学库，并确定了五种高效力化合物供进一步研究。

全世界有 600 多万人受到帕金森病的影响，预计到 2040 年，这一数字将增加两倍。目前还没有改变病情的治疗方法。筛选候选药物的大型化学文库--需要在对患者进行潜在治疗测试之前进行--耗费大量时间和金钱，而且往往不成功。

利用机器学习提高筛选效率

利用机器学习，研究人员能够将初步筛选过程加快十倍，成本降低一千倍，这意味着帕金森病的潜在治疗方法能够更快地到达患者手中。研究结果发表在《自然-化学生物学》（Nature Chemical Biology）杂志上。

帕金森病是全球增长最快的神经系统疾病。在英国，现在每 37 个在世的人中就有一个会在一生中被诊断出患有帕金森病。除运动症状外，帕金森病还会影响胃肠道系统、神经系统、睡眠模式、情绪和认知能力，导致生活质量下降和严重残疾。

蛋白质负责重要的细胞过程，但当人们患有帕金森病时，这些蛋白质就会失控，导致神经细胞死亡。当蛋白质折叠错误时，它们会形成称为路易体的异常团块，这些团块在脑细胞内堆积，使脑细胞无法正常运作。

"寻找帕金森氏症潜在治疗方法的途径之一，需要确定能够抑制α-突触核蛋白聚集的小分子，而α-突触核蛋白是一种与该疾病密切相关的蛋白质，"领导这项研究的优素福-哈米德化学系米歇尔-文德斯科洛教授说。"但这是一个极其耗时的过程--仅仅确定一个用于进一步测试的候选先导物就可能需要几个月甚至几年的时间"。

虽然目前正在进行治疗帕金森病的临床试验，但没有任何改变病情的药物获得批准，这反映出无法直接针对导致该疾病的分子种类。

这一直是帕金森病研究的一大障碍，因为缺乏识别正确分子靶点并与之接触的方法。这一技术差距严重阻碍了有效治疗方法的开发。

计算药物筛选的创新

剑桥大学团队开发了一种机器学习方法，通过对包含数百万种化合物的化学库进行筛选，找出能与淀粉样蛋白聚集体结合并阻止其增殖的小分子。

然后，对少数排名靠前的化合物进行实验测试，以筛选出最有效的聚集抑制剂。从这些实验测试中获得的信息以迭代的方式反馈到机器学习模型中，这样经过几次迭代后，就能确定高效力的化合物。

错构疾病中心联合主任文德斯科洛说："我们不是通过实验进行筛选，而是通过计算进行筛选。"通过将我们从初步筛选中获得的知识与我们的机器学习模型相结合，我们能够对模型进行训练，以确定这些小分子上负责结合的特定区域，然后我们可以重新筛选，找到更有效的分子"。

利用这种方法，剑桥大学团队开发出了针对聚集体表面口袋的化合物，这些口袋是聚集体本身指数级增殖的原因。这些化合物的效力是以前报道的化合物的数百倍，开发成本也低得多。

文德斯科洛说："机器学习对药物发现过程产生了真正的影响--它加快了确定最有前途候选药物的整个过程。对我们来说，这意味着我们可以开始多个药物发现项目的工作，而不仅仅是一个。时间和成本的大幅降低使很多事情成为可能，这是一个令人兴奋的时刻。"

编译来源：ScitechDaily