劍橋大學的研究人員利用人工智慧加快了帕金森氏症治療方法的發現，他們篩選了數百萬種化合物，最終確定了五種有效的候選藥物。這種由人工智慧驅動的方法將篩選過程提高了十倍，並大幅降低了成本，有可能加快為全球快速成長的帕金森氏症患者開發新的治療方法。

研究人員利用人工智慧方法大大加快了發現帕金森氏症治療方法的速度。劍橋大學的研究人員設計並使用了一種基於人工智慧的策略，以確定能夠阻止α-突觸核蛋白（帕金森氏症的特徵蛋白）凝結或聚集的化合物。

研究團隊利用機器學習技術快速篩選了包含數百萬個條目的化學庫，並確定了五種高效力化合物進行進一步研究。

全世界有600 多萬人受到帕金森氏症的影響，預計到2040 年，這一數字將增加兩倍。目前還沒有改變病情的治療方法。篩選候選藥物的大型化學文庫–需要在對患者進行潛在治療測試之前進行–耗費大量時間和金錢，而且往往不成功。

利用機器學習提高篩選效率

利用機器學習，研究人員能夠將初步篩選過程加快十倍，成本降低一千倍，這意味著帕金森氏症的潛在治療方法能夠更快地到達患者手中。研究結果發表在《自然-化學生物學》（Nature Chemical Biology）期刊。

帕金森氏症是全球成長最快的神經系統疾病。在英國，現在每37 個在世的人中就有一個會在一生中被診斷出患有帕金森氏症。除了運動症狀外，帕金森氏症還會影響胃腸道系統、神經系統、睡眠模式、情緒和認知能力，導致生活品質下降和嚴重殘疾。

蛋白質負責重要的細胞過程，但當人們患有帕金森氏症時，這些蛋白質就會失控，導致神經細胞死亡。當蛋白質折疊錯誤時，它們會形成稱為路易體的異常團塊，這些團塊在腦細胞內堆積，使腦細胞無法正常運作。

“尋找帕金森氏症潛在治療方法的途徑之一，需要確定能夠抑制α-突觸核蛋白聚集的小分子，而α-突觸核蛋白是一種與該疾病密切相關的蛋白質，”領導這項研究的優素福-哈米德化學系米歇爾-文德斯科洛教授說。 “但這是一個極其耗時的過程–僅僅確定一個用於進一步測試的候選先導物就可能需要幾個月甚至幾年的時間”。

雖然目前正在進行治療帕金森氏症的臨床試驗，但沒有任何改變病情的藥物獲得批准，這反映出無法直接針對導致疾病的分子種類。

這一直是帕金森氏症研究的一大障礙，因為缺乏識別正確分子標靶並與之接觸的方法。這一技術差距嚴重阻礙了有效治療方法的發展。

計算藥物篩選的創新

劍橋大學團隊開發了一種機器學習方法，透過對包含數百萬種化合物的化學庫進行篩選，找出能與澱粉樣蛋白聚集體結合併阻止其增殖的小分子。

然後，對少數排名靠前的化合物進行實驗測試，以篩選出最有效的聚集抑制劑。從這些實驗測試中獲得的資訊以迭代的方式回饋到機器學習模型中，這樣經過幾次迭代後，就能確定高效力的化合物。

錯構疾病中心聯合主任文德斯科洛說：”我們不是通過實驗進行篩選，而是通過計算進行篩選。”通過將我們從初步篩選中獲得的知識與我們的機器學習模型相結合，我們能夠對模型進行訓練，以確定這些小分子上負責結合的特定區域，然後我們可以重新篩選，找到更有效的分子”。

利用這種方法，劍橋大學團隊開發了針對聚集體表面口袋的化合物，這些口袋是聚集體本身指數級增殖的原因。這些化合物的效力是先前報導的化合物的數百倍，開發成本也低得多。

文德斯科洛說：「機器學習對藥物發現過程產生了真正的影響–它加快了確定最有前途候選​​藥物的整個過程。對我們來說，這意味著我們可以開始多個藥物發現項目的工作，而不僅僅是一個。

編譯來源：ScitechDaily