UCSF药学院的James Fraser领导了一个大型团队，旨在在药物进入临床试验前预防副作用。小分子如加巴喷丁、二甲双胍和布洛芬仍然是制药业的主流，因为它们易于制造和分发，并且可以在体内广泛分布。但它们也有一个缺点：一旦进入细胞，小分子可能会以意想不到的方式作用，导致危险的副作用。
现在，研究人员正在使用AI来绘制这些“非目标”或不希望靶点的地图。他们希望这张地图能够加速药物开发并降低因在开发后期才发现问题而产生的成本。由于可以测试的分子数量几乎无穷无尽，研究人员希望通过识别引起副作用的分子相互作用来预测并消除这些副作用。
James Fraser博士是UCSF药学院和医学院生物工程与治疗科学系的系主任，他领导的一个多学科团队将获得高达3000万美元的联邦资金，以识别所谓的“反靶点”，即药物应避免的蛋白质上的位点。在过去40年中，科学家们已经发现，大多数这些位点都集中在人体产生的相对较少的一组蛋白质上。
该团队将使用这些反靶点目录来训练机器学习模型，预测分子如何与这些位点相互作用。这种预测能力将使研究人员能够在制造药物并在动物或人类身上进行测试之前，调整和优化潜在的治疗分子。“这是第一次有人采取这种反直觉的方法，”Fraser说，他指出，药物开发者通常会追求能产生积极效果的蛋白质靶点。“但我们有几乎无穷无尽的分子可以作为药物测试，因此，定义当分子也与这些反靶点蛋白结合时可能出现问题的规则是有意义的，然后围绕这些问题进行调整。”
这笔资金来自高级研究项目署—健康（ARPA-H）倡议，支持有可能改善健康结果的突破性研究工作。该奖项覆盖了四个实体的多学科团队，带来了广泛的专长。Fraser和其他UCSF的研究人员将专注于详细描述分子与不同蛋白质相互作用的具体结构。非营利组织Open Molecular Software Foundation，以及纪念斯隆凯特琳癌症中心的计算化学家John Chodera博士，将创建开源AI模型并指导哪些分子进行测试。位于旧金山湾区的生物技术公司Octant将生产和测试潜在的分子。
“一旦我们有了这些开源数据集和模型，每一家生物技术公司都可以使用它们，并且有望受到激励贡献他们的数据以改进这些模型。这将真正改变我们创造新药的方式。”James Fraser博士说。
这个合作伙伴关系被称为OpenADMET联盟。ADMET是一个总称，涵盖了药物发现过程中必须解决的问题，包括吸收、分布、代谢、排泄和毒性。该项目还将利用NIH的两个抗病毒药物发现（AViDD）中心的数据，这些中心针对大流行病病原体：一个由UCSF定量生物学研究所（QBI）的Nevan Krogan博士领导的QBI冠状病毒研究小组；另一个是AI驱动的结构启用抗病毒平台（ASAP）发现联盟。
Fraser表示，让AI在前端进行优化工作将显著加速药物开发，他预计很快就能看到进展。“这是一个我们可以解决的问题，”他说。“一旦我们有了这些开源数据集和模型，每一家生物技术公司都可以使用它们，并且有望受到激励贡献他们的数据以改进这些模型。这将真正改变我们创造新药的方式。”
(全文结束)
