,,

可提前預測新蛋白質分子結構麻省理工開發出AI制藥新模型

2022-07-15 10:11:13 來源：智東西

麻省理工學院的研究人員最近開發了一種叫做EquBind的新模型，這個模型可以提前預測新蛋白質分子的結構，提升藥物開發的效率。

目前這項技術已經得到了業界內的認可，闡述這項技術的論文也將在 7 月被國際機器學習會議(ICML)接收。

一、速度提升 1200 倍，EquBind 模型能迅速篩選類藥物分子

目前，藥物研發是一件漫長而又昂貴的事情。其中最主要的原因就是開發藥物的成本十分昂貴。這種成本不僅包括數十億美元的資金投入，還包括長達數十年的研究時間。

而且在研發的過程中，90% 的藥物都會因為無效或副作用太多而研發失敗，只有 10% 的藥物能夠順利通過食品和藥物管理局的檢查，被批準上市。

因此，制藥公司會提高研發成功藥品的價格，來彌補研發失敗藥品造成的損失，所以目前有些藥物的價格居高不下。

如果研究人員想要進行藥物開發，就要先找到有開發潛力的類藥物分子(drug-like molecules)。藥物研發進程緩慢還有另一個重要的原因，那就是現存的類藥物分子數量龐大。數據顯示，目前現存的類藥物分子多達 1016種，這個數字遠遠超出了現有的分子計算模型的計算上限。

為了處理數據如此龐大的分子，加快藥物開發的進程，麻省理工學院電子工程和計算機科學系的研一學生 Hannes Stärk 開發了一種叫做“EquBind”的幾何深度學習模型。EquBind 比現存最快的分子計算對接模型運行速度快 1200 倍，能夠更快地找到類藥物分子。

二、EquBind 模型能精準預測蛋白質結構，提升藥物研發效率

目前大多數傳統的分子計算對接模型都是通過一種叫做“配體-蛋白質”(ligand-to-protein binding)的方法尋找類藥物分子。具體而言，模型需要先接收大量的樣本分子，然后讓配體與各種分子進行結合，然后模型再對不同分子進行評分，再以最后的排名來篩選出最合適的分子。但是這種做法流程繁復，模型尋找類藥物分子的效率較低。

Hannes Stärk 對這個過程做了一個形象的比喻，他說：“以前的典型的‘配體-蛋白質’方法就好像是試圖讓模型把鑰匙插入有很多鑰匙孔的鎖，模型要花費大量的時間為鑰匙和每一個鎖孔的適配度打分，再選出最合適的那個。”

他繼續解釋道：“而 EquBind 可以跳過最花費時間的步驟，可以在遇到新分子時提前預測最合適的‘鎖孔’，這就是所謂的‘盲配對’(blind docking)。EquBind 有內置的幾何推理算法，能夠幫助模型學習分子的基本結構。這個算法可以讓 EquBind 在遇到新的分子時直接預測出最合適的位置，而不用花費大量的時間嘗試不同的位置并打分。”

三、EquBind 模型已在業界成功應用，作者期待更多反饋

這個模型引起了治療公司 Relay 的首席數據官帕特?沃爾特斯(Pat Walters)的注意。沃爾斯特建議 Hannes Stärk 的研究小組用這種模型來進行用于治療肺癌、白血病和胃腸道腫瘤的藥物開發。通常而言，用于這些領域藥物的蛋白質配體很難用大多數傳統的方法對接，但是 EquBind 卻能讓它們成功對接。

沃爾特斯說：“EquBind 為蛋白質對接問題提供了一種獨特的解決方案，它解決了結構預測和綁定位點識別等問題。這種方法可以很好地利用數千種公開的晶體結構信息，EquBind 可能會以新的方式影響這個領域。”

發表這項技術的論文將在 7 月被國際機器學習會議(ICML)接收，該論文的作者 Hannes Stärk 表示：“我很期待能在這次會議上收到一些關于 EquBind 模型的改進意見。”

結語：AI 與制藥適配度極佳，發展勢頭正盛

AI 制藥是一個 2020 年才走進公眾視野的新興領域。

制藥領域是一個天然的 AI 場景。新藥研發的長周期、高成本、低成功率，給 AI 留下了龐大的用武之地：機器可以自主學習數據、挖掘數據，總結歸納專家經驗外的藥物研發規律，繼而優化藥物研發流程中的各個環節，這不僅可以提升藥物研發效率與成功率，還有望降低研發費用和試錯成本。

因為這樣的特性和發展潛力，目前 AI 制藥勢頭正盛。但也有業內人士唱衰，說 AI 在制藥過程中扮演的終歸只是輔助角色，繞不開行業固有的流程和機制，不可能用兩三年的時間做完十年的事。

但是整體而言，目前 AI 制藥領域還是不斷有新的技術突破，發展蒸蒸日上。

關鍵詞：麻省理工學院新蛋白質分子結構 AI制藥新模型計算機科學系