麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）和哈佛大学布罗德研究所的跨学科团队近日在《自然-机器智能》期刊发表突破性研究成果。这项研究开发的深度学习模型能够准确预测蛋白质与小分子之间的结合亲和力，标志着人工智能在药物发现领域的能力取得关键进展。
传统药物筛选方法依赖耗时的实验室实验和分子动力学模拟，而新型模型通过整合蛋白质结构数据、分子对接信息和已知药物-靶标相互作用数据库，实现了对结合自由能的高精度预测。研究人员采用图神经网络架构，在保持原子级相互作用精度的同时，将计算时间从数小时缩短至分钟级别。
"我们的方法在保持高精度的前提下，将计算成本降低了两个数量级。"主要作者之一、MIT CSAIL的计算生物学家Emily Chen表示。该模型通过学习超过10万个蛋白质-配体复合物的三维结构数据，在测试阶段对新型小分子的结合预测准确度达到实验测量水平的89%。
这项技术的突破性在于其能够处理传统方法难以解决的"不可成药"靶点。研究团队已将该模型应用于抗生素耐药性研究，在预测新型β-内酰胺酶抑制剂结合特性时表现出显著优势。布罗德研究所的药物化学家David Liu指出："这种计算工具正在改变我们对抗癌药物和抗菌药物的设计范式。"
该模型已开源并集成到AlphaFold蛋白质预测框架中，研究人员可通过本地服务器部署进行虚拟筛选。尽管在临床转化方面仍需进一步验证，但制药行业对该技术展现出浓厚兴趣。诺华制药和Moderna等公司已与研究团队建立合作，探索其在mRNA药物递送系统优化中的应用潜力。
【全文结束】
