一天內(nei) 篩選超一億(yi) 種化合物——

　　AI語言模型“提速”藥物發現

　　科技日報北京6月12日電 (記者張夢然)美國麻省理工學院和塔夫茨大學研究人員設計出一種基於(yu) 大型語言模型(如ChatGPT)的人工智能算法，這種稱為(wei) ConPLex的新模型可將目標蛋白與(yu) 潛在的藥物分子相匹配，而無需執行計算分子結構的密集型步驟。相關(guan) 論文發表在最新一期《美國國家科學院院刊》上。

　　使用這種方法，研究人員可在一天內(nei) 篩選超過1億(yi) 種化合物，比任何現有模型都要多得多。這項成果解決(jue) 了對當前藥物篩選的需求，其可擴展性還能夠評估脫靶效應、藥物再利用以及確定突變對藥物結合的影響。

　　近年來，科學家在根據氨基酸序列預測蛋白質結構方麵取得了巨大進步。然而，要預測大型潛在藥物庫如何與(yu) 致癌蛋白相互作用，依然具有挑戰性，因為(wei) 計算蛋白質三維結構需要大量時間和計算能力。

　　麻省理工學院團隊以他們(men) 2019年首次開發的蛋白質模型為(wei) 基礎，此次將模型應用於(yu) 確定蛋白質序列將與(yu) 特定藥物分子的相互作用。他們(men) 用已知的蛋白質—藥物相互作用對網絡進行訓練，使其能學習(xi) 將蛋白質特定特征與(yu) 藥物結合能力聯係起來，而無需計算任何分子的三維結構。

　　通過篩選包含約4700種候選藥物分子的庫，團隊測試了他們(men) 的模型，並確定了這些藥物與(yu) 51種蛋白激酶結合的能力。

　　從(cong) 熱門結果中，研究人員選擇了19組“藥物—蛋白質對”進行實驗測試，最終12對具有很強的結合親(qin) 和力，而幾乎所有其他可能的藥物—蛋白質對都沒有親(qin) 和力。

　　研究人員表示，藥物研發成本之所以如此高昂，部分原因是它的失敗率很高。如果能事先預測這種結合不可能奏效，就能減少失敗率，從(cong) 而大大降低新藥開發的成本。

　　【總編輯圈點】

　　在我們(men) 普通人還在用語言模型聊天和寫(xie) 作時，科研人員已經看到了它在藥物篩選方麵的變革性潛力。藥物研發耗時漫長且相當昂貴，要做大量的“無用功”。人工智能已經被引入這一枯燥漫長的過程，幫助縮短分子配對的時間。文中介紹的新模型ConPLex可以分析大量文本，並找到最可能出現在一起的組合。這種基於(yu) 語言模型研究的思路，超越了目前最先進的算法，可在一天內(nei) 篩選超過1億(yi) 種化合物。論文已經對篩選結果進行了實驗檢測，結果也令人欣喜。