广州鸿元生物科技有限公司主营产品:西地那非原料,他达那非,伐地那非,金阳碱,盐酸达泊西汀
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。