加州大學聖迭戈分校的科學家們開發了一種機器學習演算法，用於模擬藥物發現最初階段所涉及的耗時化學反應，這可能會大大簡化這一過程，並為前所未有的治療方法打開大門。確定需要進一步優化的候選藥物通常需要進行數千次單獨實驗，但新的人工智慧（AI）平台可能只需要一小部分時間就能得到相同的結果。

利用人工智慧改進藥物發現和開發是製藥科學中一個新的但日益增長的趨勢，而這項技術正是這一趨勢的一部分。研究人員利用今天（5 月6 日）發表在《自然-通訊》（Nature Communications）上的這項新工具合成了32 種候選抗癌新藥。

圖中的資深作者Trey Ideker 是加州大學聖地牙哥分校醫學、電腦科學和生物工程學教授。圖片來源：Erik Jepsen/加州大學聖地牙哥分校

“幾年前，人工智慧在製藥業還是一個骯髒的字眼，但現在的趨勢絕對是相反的，生物技術新創公司發現，如果不在商業計劃中涉及人工智能，就很難籌集到資金，”資深作者、加州大學聖地牙哥分校醫學院醫學系教授、加州大學聖地牙哥分校雅各布斯工程學院生物工程與電腦科學兼任教授特雷-伊德克（Trey Ideker）說。 “人工智慧引導的藥物發現已經成為工業界一個非常活躍的領域，但與公司正在開發的方法不同，我們正在將我們的技術開源，讓任何想使用它的人都能使用。”

多標靶藥物研發的優勢

這個名為POLYGON 的新平台在用於藥物發現的人工智慧工具中是獨一無二的，因為它可以識別具有多個標靶的分子，而現有的藥物發現方案目前優先考慮的是單標靶療法。多標靶藥物之所以備受醫生和科學家的關注，是因為它們有可能帶來與聯合療法相同的療效，即同時使用幾種不同的藥物來治療癌症，但副作用較小。

伊德克說：”尋找和開發一種新藥需要花費多年時間和數百萬美元，尤其是當我們談論的是一種具有多個靶點的藥物時。我們罕見的幾種多靶點藥物在很大程度上是偶然發現的，但這項新技術可以幫助消除偶然性，啟動新一代精準醫療。

POLYGON 的工作原理

研究人員在一個包含100 多萬個已知生物活性分子的資料庫中對POLYGON 進行了訓練，該資料庫包含這些分子的化學性質和與蛋白質靶點的已知相互作用的詳細資訊。透過學習資料庫中發現的模式，POLYGON 能夠為可能具有某些特性（如抑制特定蛋白質的能力）的候選新藥生成原始化學配方。

“就像人工智慧現在非常擅長生成原創的圖畫和圖片一樣，例如根據所需的年齡或性別等屬性生成人臉圖片，POLYGON 能夠根據所需的化學屬性生成原創的分子化合物，”伊德克說。 “在這種情況下，我們不是告訴人工智慧我們希望自己的臉看起來有多老，而是告訴它我們希望未來的藥物如何與疾病蛋白質相互作用。”

這項研究的共同作者凱瑟琳-利孔（Katherine Licon）是加州大學聖迭戈分校艾德克實驗室的實驗室經理，該實驗室將計算技術和傳統濕實驗室技術相結合，以回答有關疾病生物學的基本問題，並發現加強精準醫療的新方法。圖片來源：Erik Jepsen/加州大學聖地牙哥分校

測試和結果

為了對POLYGON 進行測試，研究人員用它產生了數百種候選藥物，這些藥物以各種癌症相關蛋白對為標靶。在這些候選藥物中，研究人員合成了32 種分子，這些分子與MEK1 和mTOR 蛋白的相互作用最強。這兩種蛋白被科學家稱為合成致命蛋白，這意味著同時抑制這兩種蛋白就足以殺死癌細胞，即使單獨抑制其中一種也無法殺死癌細胞。

研究人員發現，他們合成的藥物對MEK1 和mTOR 有顯著的活性，但與其他蛋白質的脫靶反應很少。這表明，POLYGON 鑑定出的一種或多種藥物可以同時針對這兩種蛋白質進行癌症治療，為人體化學家提供了一份微調選擇清單。

伊德克說：”有了候選藥物之後仍然需要做所有其他化學工作，才能將這些選擇提煉成單一有效的治療方法。我們不能也不應該試圖從藥物研發管道中消除人類的專業知識，但我們能做的是縮短流程中的幾個步驟。

儘管如此，研究人員仍然樂觀地認為，人工智慧在藥物發現方面的可能性才剛被探索出來。

伊德克說：”在未來十年中，無論是在學術界還是在私營部門，看到這一概念如何發揮作用都將是非常令人興奮的。可能性幾乎是無窮無盡的。”

編譯來源：ScitechDaily