据外媒TechXplore报道，麻省理工学院的研究人员最近开发了一种名为EquBind的新模型，可以提前预测新蛋白质分子的结构，提高药物开发的效率。目前这项技术已经得到业界的认可，描述这项技术的论文也将在7月被国际机器学习会议（ICML）接受。1、速度提升1200倍，EquBind机型可快速筛选类药分子。目前，药物开发是一项漫长而昂贵的任务。其中最主要的是开发药物的高成本。这笔费用不仅包括数十亿美元的资本投资，还包括数十年的研究时间。而且，在研发过程中，90%的药物都会因为效果不好或者副作用太大而失败，只有10%的药物能够顺利通过药监局的审核，获准上市。因此，药企会对研发成功的药品进行提价，以弥补研发失败的药品造成的损失，因此目前部分药品价格居高不下。▲一些蛋白质分子结构研究人员要想开发药物，首先要找到具有开发潜力的类药分子。药物开发速度缓慢的另一个重要原因是现有类药物分子的数量庞大。数据显示，现有类药分子多达1016个，远远超出现有分子计算模型的计算上限。为了处理具有如此大量数据的分子并加快药物开发过程，麻省理工学院电气工程与计算机科学系一年级研究生HannesSt?rk开发了一种名为“EquBind”的几何深度学习模型。EquBind的运行速度比现有最快的分子计算对接模型快1,200倍，能够更快地发现类药物分子。2.EquBind模型可以准确预测蛋白质结构，提高药物开发效率。目前，大多数传统的分子计算对接模型使用一种称为“配体与蛋白质结合”的方法来寻找类药分子。具体来说，模型需要先接收大量的样本分子，然后让配体与各种分子结合，然后模型对不同的分子进行打分，再利用最终的排名筛选出最合适的分子。但该方法过程复杂，模型寻找类药分子的效率较低。HannesStrk给这个过程做了一个形象的比喻，他说：“以前典型的‘配体-蛋白’方法就像是试图让模型把钥匙插入钥匙孔很多的锁中，模型耗费了大量的时间。”钥匙适合每个钥匙孔的程度并选择最适合的。他继续解释道：“EquBind可以跳过最耗时的步骤，在遇到新分子时可以提前预测最合适的‘锁孔’，这就是所谓的‘盲对接’（blinddocking）。EquBind内置了——在帮助模型学习分子基本结构的几何推理算法中。这种算法可以让EquBind在遇到新分子时直接预测最合适的位置，而不需要花费大量时间尝试不同的位置和评分。”▲MITIII.EquBind模型已经在业界成功应用，期待作者更多的反馈。这个模型引起了治疗公司Relay的首席数据官PatWalters的注意。Walters建议HannesStrk的研究小组利用这个模型开发治疗肺癌、白血病和消化道肿瘤的药物。一般来说，这些领域的药物蛋白配体很难用大多数传统方法对接，但EquBind让它们成功对接。▲肺癌治疗的两种抑制剂药物Walters说：“EquBind为蛋白质对接问题提供了独特的解决方案，它解决了结构预测和结合位点识别等问题。这种方法很好地利用了数千种公开可用的晶体结构，而EquBind可能以新的方式影响该领域。“发表这项技术的论文将在7月被国际机器学习会议(ICML)接受。论文作者HannesStrk表示：“我期待在这次会议上收到一些改进EquBind模型的建议。”结论：AI与制药有着极好的契合度，发展势头正旺。AI医药是2020年才进入大众视野的新兴领域，医药领域是天然的AI场景。新药研发周期长、成本高、成本低成功率给AI留下了巨大的潜力：机器可以自主学习数据，挖掘数据，总结归纳超出专家经验的药物研发规律，进而优化药物研发过程中的每一个环节，这不仅可以提高药物研发的效率，还有望降低研发成本和试错成本。正是因为这样的特点和发展潜力，人工智能医药目前正蓄势待发。不过，也有业内人士表示，AI在制药过程中只会起到辅助作用。没有行业固有的流程和机制，不可能用两三年完成十年的工作。但总体而言，人工智能医药领域仍在不断取得新的技术突破，发展方兴未艾。
