加州大学圣地亚哥分校的科学家开发了一种机器学习算法，用于模拟药物研发早期阶段耗时的化学反应，这可以大大简化流程并为前所未见的治疗方法打开大门。确定进一步优化的候选药物通常需要数千次单独的实验，但新的人工智能 (AI) 平台可以在很短的时间内给出相同的结果。研究人员使用《自然通讯》中描述的新工具合成了 32 种新的抗癌候选药物。
该技术是制药科学领域利用人工智能来改善药物发现和开发的一种新兴但日益增长的趋势的一部分。
“几年前，人工智能在制药行业还是一个贬义词，但现在的趋势却截然相反，生物技术初创公司发现，如果在商业计划中不涉及人工智能，就很难筹集资金，”资深作者、加州大学圣地亚哥分校医学院医学系教授、加州大学圣地亚哥分校雅各布斯工程学院生物工程与计算机科学兼职教授 Trey Ideker 表示。“人工智能引导的药物发现已成为行业中非常活跃的领域，但与公司正在开发的方法不同，我们正在将我们的技术开源，任何想要使用它的人都可以使用它。”
这个名为 POLYGON 的新平台在药物研发的 AI 工具中独树一帜，因为它可以识别具有多个靶点的分子，而现有的药物研发方案目前优先考虑单靶点疗法。多靶点药物之所以受到医生和科学家的广泛关注，是因为它们有可能带来与联合疗法相同的益处，即几种不同的药物一起用于治疗癌症，但副作用更少。
“寻找和开发一种新药需要花费很多年和数百万美元，尤其是多靶点药物。”艾德克说。“我们拥有的少数多靶点药物很大程度上是偶然发现的，但这项新技术可以帮助消除偶然性，开启新一代精准医疗。”
研究人员利用一个包含超过一百万个已知生物活性分子的数据库来训练 POLYGON，该数据库包含有关其化学性质和已知与蛋白质靶标相互作用的详细信息。通过学习数据库中发现的模式，POLYGON 能够为可能具有某些特性(例如抑制特定蛋白质的能力)的新候选药物生成原始化学式。
“就像人工智能现在非常擅长生成原始图画和图片，例如根据年龄或性别等所需属性创建人脸图片一样，POLYGON 能够根据所需的化学属性生成原始分子化合物，”Ideker 说。“在这种情况下，我们不是告诉人工智能我们希望自己的脸看起来有多大，而是告诉它我们希望未来的药物如何与疾病蛋白质相互作用。”
为了测试 POLYGON，研究人员利用它生成了数百种候选药物，这些药物针对各种癌症相关蛋白质对。其中，研究人员合成了 32 种与 MEK1 和 mTOR 蛋白具有最强预测相互作用的分子，MEK1 和 mTOR 蛋白是一对细胞信号传导蛋白，是癌症联合治疗的有希望的靶点。这两种蛋白质被科学家称为合成致死，这意味着即使单独抑制一种蛋白质不足以杀死癌细胞，同时抑制这两种蛋白质也足以杀死癌细胞。
研究人员发现，他们合成的药物对 MEK1 和 mTOR 具有显著的活性，但与其他蛋白质的脱靶反应很少。这表明 POLYGON 发现的一种或多种药物可以靶向这两种蛋白质作为癌症治疗方法，为人类化学家提供了一系列微调选择。
“一旦你有了候选药物，你仍然需要进行所有其他化学反应，将这些选择提炼成单一、有效的治疗方法，”艾德克说。“我们不能也不应该试图将人类专业知识从药物发现渠道中剔除，但我们可以做的是缩短这个过程的几个步骤。”
尽管存在这样的谨慎，研究人员仍然乐观地认为，人工智能用于药物研发的可能性才刚刚开始被探索。
“看到这一概念在未来十年在学术界和私营部门如何发挥作用，将会非常令人兴奋。”艾德克说。“可能性几乎是无穷无尽的。”