每一种改变生活的上市新药背后，都有许多候选药物在研发过程中失败。俄勒冈大学开发的一种基于人工智能的工具可以帮助科学家在进行昂贵测试前更好地预测假设性新药物在人体内的作用方式。
该算法能够基于化学结构高效模拟前所未见的分子将如何运动和表现。
这项研究由生物物理学家德希曼·雷（Dhiman Ray）实验室的博士生雷文斯·埃兰戈凡（Revanth Elangovan）和博士后研究员索姆普里亚·查特吉（Sompriya Chatterjee）领导。该团队在《美国国家科学院院刊》上发表了研究结果。
雷表示："如果我的研究成功，在10年或20年后，我们将能够实时进行模拟，看到不同类型的药物如何与蛋白质结合。从那里，我们可以选择哪些应该继续进行人体试验。"
科学家们已经使用先进的计算工具来预测新分子的结构。像谷歌的AlphaFold这样的程序可以帮助研究人员基于分子形状快速筛选疫苗和其他药物的候选物。这些程序已经改变了药物开发领域——开发这些程序的科学家甚至获得了2024年诺贝尔化学奖。
雷表示，虽然结构预测工具功能极其强大，但它们就像从电影中截取的一个静止画面。它们捕捉了一个时间点，但没有告诉你太多关于动作的信息。
要真正预测分子在人体内的行为，科学家需要了解它们如何移动和相互作用。分子会粘附在人体内的目标位置上，还是更可能粘附在偏离目标的位置上？
雷表示，当前的模拟方法计算量很大。就像一部全长故事片，它们细节丰富但制作成本高昂，因此许多实验室无法负担。
他的团队的新方法有点像维基百科的剧情摘要，介于照片和故事片之间。输出结果为科学家提供了预测分子如何移动所需的基本信息——最终结果，以及到达那里的最有效途径。
雷的团队通过将人工智能与物理学数据结合创建了该模型。科学家们使用已知分子在不同情况下的行为测量数据以及使它们改变形状所需的能量量，为AI模型设置参数，防止其偏离轨道并浪费能量探索不太可能的情况。
数学技术增加了研究人员捕获他们所寻求的特定时刻的可能性：药物与其目标结合的那一瞬间。
雷说："作为计算科学家，我们拥有这种能力：我们可以做这些技巧来采样在常规模拟中无法看到的东西。"
他们开发的代码可供其他人免费使用。
雷和他的团队特别关注药物开发中的应用。但这种方法可能在生物学和化学领域都有用，帮助研究人员了解许多新材料的特性。
下一步是使模型的数据更容易解释，将输出内容转化为用户友好的短视频。
雷表示："我们保留了一些物理学的见解和机器学习的一些优势，并以一种使两个领域都受益的方式将它们结合起来。这就是我们正在做的项目的独特性，不仅限于这篇特定论文，还包括整个实验室的工作。"
【全文结束】
