科学家认为人工智能和3D建模在药物发现中的关键作用

人工智能可以生成诗歌和散文，创建响应式游戏角色，分析大量数据，并检测人眼可能错过的模式。想象一下人工智能可以为药物发现做些什么，传统上，从工作台到床边是一个耗时、昂贵的过程。

(资料图片仅供参考)

专家们看到了使用人工智能和基于结构的药物发现的补充方法的巨大前景，这是一种依赖于生物靶标3D结构知识的计算方法。

我们最近采访了南加州大学多恩西夫文学、艺术与科学学院和南加州大学迈克尔逊融合生物科学中心的定量和计算生物学和化学副教授Vsevolod “Seva” Katritch。

Katritch是南加州大学迈克尔逊中心药物发现与开发新技术中心(CNT3D)的联合主任，也是《自然》杂志上一篇新评论论文的主要作者。这篇论文由南加州大学研究科学家Anastasiia Sadybekov共同撰写，描述了计算方法将如何简化药物发现。

我们正处于药物发现重大进展的风口浪尖。是什么让我们走到了这一刻?

在过去的几年里，计算药物的发现发生了翻天覆地的变化：临床相关的人类蛋白质结构的数据可用性爆炸式增长 - 以及结合它们的分子，巨大的药物样分子化学库，几乎无限的计算能力和新的，更有效的计算方法。

最新的兴奋是基于人工智能的药物发现，但更强大的是基于人工智能和基于结构的药物发现的结合，这两种方法协同互补。

过去是如何进行药物发现的?

传统的药物发现主要是试错的冒险。它既缓慢又昂贵，平均需要15年和2亿美元。从目标选择到潜在客户优化，每一步都有很高的流失率。节省时间和成本最多的机会在于早期发现和临床前阶段。

早期会发生什么?

让我们用一个锁和钥匙的类比。靶受体是锁，阻断或激活该受体的药物是锁的钥匙。(当然，需要注意的是，在生物学中，没有什么是黑白的，所以一些工作钥匙比其他钥匙更好地切换锁，而且锁也有点延展性。

下面是一个示例。立普妥是有史以来最畅销的药物，其靶向一种参与肝脏胆固醇合成的酶。酶上的受体是锁。立普妥是钥匙，适合锁并阻断酶的活性，触发降低血液中坏胆固醇水平的事件。

现在，计算方法使我们能够对数十亿甚至数万亿个虚拟密钥进行数字建模，并预测哪些可能是好的。只有几十个候选密钥经过化学合成和测试。

这听起来更有效率。

如果模型良好，则此过程比对数百万个随机密钥的传统试错测试产生更好的结果。这减少了合成化合物和测试它们的物理要求超过数千倍，同时经常获得更好的结果，正如我们的工作和在该领域工作的许多其他小组的工作所证明的那样。

您能解释一下两种主要计算方法(基于结构和基于AI)之间的区别吗?

在锁和钥匙类比之后，基于结构的方法利用了我们对锁结构的详细了解。如果锁的 3D 物理结构已知，我们可以使用虚拟方法来预测与锁匹配的钥匙的结构。

机器学习或基于 AI 的方法在目标锁或类似锁已经知道许多钥匙时效果最佳。然后，人工智能可以分析这种类似锁和钥匙的混合，并预测最有可能符合我们目标的钥匙。它不需要对锁结构的确切了解，但需要大量相关密钥。

因此，基于结构和基于人工智能的方法适用于不同的情况，并相互补充。

此过程是否有任何计算限制?

在云计算机上测试数十亿和数万亿个虚拟化合物时，计算成本本身可能成为瓶颈。

模块化的千兆级筛选技术使我们能够通过虚拟预测密钥的良好部分，将它们组合在一起，从几个部分构建密钥，从而显着加快速度并降低成本。对于一个拥有 10 亿个化合物库，这将计算成本从数百万美元降低到数百美元，并允许进一步扩展到数万亿个化合物。

这些方法将如何帮助南加州大学发现新的疾病治疗方法?

我们的药物发现和开发新技术中心(CNT3D)最近在南加州大学多恩西夫分校与化学教授Charles McKenna共同创建，主要基于这种计算驱动的概念。

该中心实施了许多基于结构和基于人工智能的方法作为平台。CNT3D与南加州大学凯克医学，MESH学院，Rosalie和Harold Rae Brown癌症药物开发中心以及南加州大学Alfred E. Mann药学和药学科学学院的实验室合作，研究阿尔茨海默氏症和癌症等特定疾病靶点，已经发现了这些和其他疾病的潜在候选药物。

我们计划在未来几个月内大幅扩大这项工作，并通过药物发现创新研讨会让更多的实验室参与这些研究，在南加州大学建立一个独特的技术驱动的药物发现生态系统。

关键词：