众所周知，整个宇宙充满了无数分子。这些分子中有多少具有可用于开发救生药物的潜在类药物特性？百万级别？还是数十亿？还是万亿？答案是：10的60次方。如此庞大的数量大大延缓了新药的研发。对于新冠等传播速度快的疾病，目前还没有特效药。也是因为分子种类和数量太多，远远超出现有药物设计模型的计算范围。范围。麻省理工学院的一个研究小组不相信这种邪恶。想不通，难道不能对之前的模型进行加速吗？这个加速度是1200倍。他们研究了一种名为“EquiBind”的几何深度学习模型，该模型比之前最快的计算分子对接模型“QuickVina2-W”快1200倍，成功地将类药分子与蛋白质结合，降低了药物试验的机会和成本失败。一篇研究论文将在ICML2022上发表。初识“EquiBind”“EquiBind”是在其前身“EquiDock”的基础上开发的，它使用已故麻省理工学院AI研究员Octavian-EugenGanea开发的技术将两种蛋白质结合起来。Ganea还是“EquiBind”论文的合著者。在药物开发开始之前，研究人员必须找到有前途的药物样分子，这些分子可以在药物发现过程中正确地结合或“停靠”到特定的蛋白质靶标。与蛋白质成功对接后，会结合一种药物（配体）来阻止蛋白质发挥作用。如果这种情况发生在细菌的一种必需蛋白质上，它可以杀死细菌，从而保护身体。然而，药物发现的过程在经济上和计算上都是昂贵的，耗资数十亿美元，并且在最终获得FDA批准之前需要十多年的开发和测试。更重要的是，90%的药物在人体试验后都失败了，因为它们没有效果或副作用太大。因此，制药公司收回这些成本的方法之一是提高最终成功开发的药物的价格。走进“EquiBind”目前，寻找有希望的候选药物分子的计算过程是这样的：大多数最先进的计算模型都依赖于大量的候选样本，再加上打分、排名、精细等方法-调谐以获得配体蛋白质与蛋白质之间的最佳“匹配”。HannesSt?rk是麻省理工学院电气工程与计算机科学系的一年级研究生，也是该论文的主要作者，他将典型的配体-蛋白质偶联方法比作“试图将钥匙插入有许多钥匙孔的锁中”。”。一个典型的模型在选择最佳模型之前会花时间对每个“适应度”进行评分。相比之下，“EquiBind”不需要事先知道蛋白质的目标口袋，可以一步直接预测精确的关键位置，这被称为“盲对接”。与大多数需要多次尝试才能为蛋白质中的配体找到有利位置的模型不同，EquiBind已经具有内置的几何推理，可帮助模型了解分子的基本物理特性并成功进行概括。为了在遇到新的或未识别的数据时成功地泛化以做出更好的预测。这些发现的公布迅速引起了行业专业人士的关注，其中包括RelayTherapeutics的首席数据官PatWalters。沃尔特斯建议该团队可以在用于肺癌、白血病和胃肠道肿瘤的现有药物和蛋白质上尝试他们的模型。虽然大多数传统对接方法未能成功结合这些蛋白质上的配体，但“EquiBind”成功了。“EquiBind为结合姿势预测和结合位点识别的对接问题提供了独特的解决方案，”Walters说。“这种方法利用了数千种已发表的晶体结构的信息，可能以一种新的方式影响该领域。”St?rk说：“当所有其他方法要么完全错误，要么只有一种方法正确时，我们感到很惊讶，因为EquiBind能够把它放在正确的口袋里，我们很高兴看到结果。兴奋！”帮助“EquiBind”虽然“EquiBind”已经收到了很多行业专业人士的反馈，并且这些反馈帮助团队考虑了计算模型的实际使用，但St?rk仍然希望在即将于7月举行的ICML上找出不同的观点。St?rk说：“我最期待的反馈是关于如何进一步改进模型的建议。”“我想和这些研究人员谈谈，告诉他们我认为接下来可以做什么，并鼓励他们继续前进，将模型用于他们自己的论文和方法中。许多研究人员联系我们，询问我们的模型是否会成为对他们的问题有用。”另外，这篇文章也是为了纪念Octavian-EugenGane，他在几何机器学习研究中做出了重要的贡献，慷慨地指导了许多学生，他是一位谦逊的杰出学者。他在今年早些时候的一次远足旅行中永远离开了我们。
