生成式人工智能有望塑造药物设计的未来

利用先进的人工智能，研究人员开发了一种新方法，使药物开发更快、更高效。

在一篇新论文中，该研究的主要作者、俄亥俄州立大学生物医学信息学和计算机科学与工程教授夏宁介绍了DiffSMol，这是一种生成性AI模型，能够生成小分子的真实3D结构，可以作为有前景的候选药物。

这项研究发表在《自然机器智能》上。

DiffSMol的工作原理是分析已知配体（与蛋白质靶标结合的分子）的形状，并将这些形状作为产生更好地与蛋白质靶标相结合的新型3D分子的条件。研究结果表明，当用于制造有可能加快药物制造过程的分子时，DiffSmol的成功率为61.4%，超过了之前在大约12%的时间里取得成功的研究尝试。宁说：“通过使用众所周知的形状作为条件，我们可以训练我们的模型来生成具有以前化学数据库中不存在的相似形状的新分子。”。

一旦DiffSMol了解了这些配体的形状，该团队的模型还可以定制这些新分子以促进某些结合特性。根据这篇论文，这表明该模型可以修改它们，使其具有更有利的药物特性，改变它们的合成能力或毒性等方面。

一种药物的开发和上市大约需要十年的时间，但缩短这段时间可以为开发用于许多不同行业的新型药物和农用化学品开辟新的途径。该研究的合著者、俄亥俄州立大学计算机科学与工程系前博士生Ziqi Chen表示，与用于设计药物的现有计算方法相比，DiffSMol只需要一秒钟就能产生一个分子。

“生成式人工智能模型有可能大大加快这一过程并提高成本效益，”陈说。

为了证明DiffSMol的能力，研究人员对用于两个关键药物靶点的分子进行了案例研究，其中一个靶点被称为细胞周期依赖性激酶6（CDK6），它可以调节细胞周期并破坏癌症的生长，另一个靶位点被称为奈普赖氨酸（NEP），它用于减缓阿尔茨海默病进展的治疗。宁说，他们的研究结果表明，DiffSMol产生的分子可能非常有效。

“对我们来说，找到比已知配体具有更好性能的分子是非常令人鼓舞的，”她说。“这表明我们开发的模型在识别好的候选药物方面具有巨大的潜力。”

研究人员还将DiffSMol的代码提供给其他科学家使用。

与超过100000名依赖Phys.org获取日常见解的订阅者一起探索科学、技术和太空的最新进展。注册我们的免费时事通讯，每天或每周获取重要突破、创新和研究的最新进展。

目前，DiffSMol仍然只能根据先前已知配体的形状生成新分子，这是该团队希望在未来工作中克服的一个局限性。进一步的研究还将旨在提高模型从复杂分子数据中学习的能力，并生成表现出更广泛潜在相互作用的分子。

尽管需要更多的测试，但该团队预计，人工智能的持续飞跃有一天将使他们的工作达到新的高度，部分原因是人工智能在全球的普及。宁说：“如今，人们正在将这些先进的模型应用于分子生成、化学以及几乎所有的科学领域。”。“这个地区增长非常快，我认为它不会很快放缓。”