新的机器学习技术快速计算了药物候选物与其靶点之间的结合亲和力

        人工智能和毫升技术也可以降低药物开发成本。药物发现是一个数据驱动的过程。它涉及大量的数据，如高分辨率医学图像、基因组图谱、代谢物、分子结构和生物信息。机器学习和深度学习促进的人工智能可以更快地关联、集成和连接现有数据，以帮助发现数据池中的模式。

     由于药物只能基于它们对体内靶蛋白的粘附性来工作，因此分析黏性是药物发现和筛选过程中的一个关键障碍。将化学和机器学习相结合的新研究可以降低这一障碍。这种新技术叫做DeepBAR，可以快速计算药物候选物与其靶点之间的结合亲和力。DeepBAR将传统化学计算与机器学习的较新进展结合起来。它精确计算束缚自由能，但它只需要以前方法所要求的计算的一小部分。

      DeepBAR代表“Bennett验收比率”。它是一种用于精确计算束缚自由能的几十年前的算法。研究人员称，DeepBAR有一天可能加快药物发现和蛋白质工程的步伐。

      这项研究发表在《物理化学信函》杂志上，由麻省理工学院化学系博士后丁新强领导。

      根据研究，使用Bennet接受率通常需要了解两个“端点”状态。与蛋白质和药物分子完全分离的一种药物分子，加上对许多中间态的了解，例如，不同程度的部分结合，所有这些都阻碍了计算速度。

      新的机器学习技术通过在机器学习框架中实现Bennett接受率来减少状态之间的差异，称为深层生成模型。麻省理工学院辉瑞-劳巴赫化学职业发展教授Bin Zhang和一篇新论文的作者之一介绍了这一技术，这些模型为每个端点、束缚态和未绑定状态创建了参考状态。

      在使用深层生成模型时，研究人员正在借鉴计算机视觉领域的知识。虽然将计算机视觉方法应用于化学是DeepBAR的关键创新，但交叉也提出了一些挑战。“这些模型较初是为二维图像开发的，”丁新强说。“但这里我们有蛋白质和分子，它确实是一个3D结构。因此，在我们的案例中调整这些方法是我们必须克服的较大技术挑战。”

      在使用类似蛋白质的小分子的试验中，DeepBAR计算的结合自由能比以前的方法快近50倍。研究人员随后开始考虑使用这种方法进行药物筛选，特别是在冠状病毒的背景下。“DeepBAR的精确度与黄金标准完全相同，但速度要快得多，”张晓波说。他们还认为，除了药物筛选，DeepBAR还可以帮助蛋白质设计和工程，因为该方法可以用于模型多个蛋白质之间的相互作用。他们还计划在未来提高新机器学习技术运行大型蛋白质计算的能力，这项任务是计算机科学较近的进展所实现的。