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来模拟药物发现早期阶段所涉及的耗时化学过程,这可以显着简化流程并为前所未有的治疗打开大门。
识别候选药物以进行进一步优化通常需要数千次单独的实验,但新的人工智能(AI)平台可能会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种治疗癌症的新候选药物。
该技术是制药科学中利用人工智能改善药物发现和开发的新趋势的一部分。
“几年前,人工智能在制药行业是一个肮脏的词,但现在的趋势绝对相反,生物技术初创公司发现,如果不在其商业计划中提及人工智能,就很难筹集资金,”资深作者、教授TreyIdeker说。加州大学圣地亚哥分校医学院医学系博士,加州大学圣地亚哥分校雅各布斯工程学院生物工程和计算机科学兼职教授。
“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。”
这个名为POLYGON的新平台在药物发现的人工智能工具中是独一无二的,因为它可以识别具有多个靶点的分子,而现有的药物发现协议目前优先考虑单靶点疗法。多靶点药物引起了医生和科学家的极大兴趣,因为它们有可能提供与联合疗法相同的益处,其中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多年时间和数百万美元,特别是当我们谈论的是具有多个靶点的药物时,”艾德克说。“我们所拥有的罕见的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摆脱偶然性并启动新一代精准医学。”
研究人员在一个包含超过一百万个已知生物活性分子的数据库上对POLYGON进行了训练,该数据库包含有关其化学性质以及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能够为新候选药物生成原始化学式,这些药物可能具有某些特性,例如抑制特定蛋白质的能力。
“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,POLYGON能够根据所需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我们的脸看起来有多大,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。”
为了对POLYGON进行测试,研究人员用它生成了数百种针对各种癌症相关蛋白对的候选药物。
其中,研究人员合成了32种分子,它们与MEK1和mTOR蛋白具有最强的预测相互作用,这对细胞信号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综合致死蛋白,这意味着同时抑制这两种蛋白质就足以杀死癌细胞,即使单独抑制其中一种还不足以杀死癌细胞。
研究人员发现,他们合成的药物对MEK1和mTOR具有显着的活性,但与其他蛋白质几乎没有脱靶反应。这表明POLYGON鉴定出的一种或多种药物可能能够针对这两种蛋白质进行癌症治疗,为人类化学家的微调提供了一系列选择。
“一旦你有了候选药物,你仍然需要进行所有其他化学反应,将这些选择细化为单一、有效的治疗方法,”艾德克说。“我们不能也不应该试图从药物发现管道中消除人类专业知识,但我们可以做的是缩短该过程的几个步骤。”
尽管存在这种谨慎态度,研究人员仍乐观地认为人工智能用于药物发现的可能性才刚刚被探索。
“看到这个概念在未来十年如何在学术界和私营部门发挥作用,将是非常令人兴奋的,”艾德克说。“可能性几乎是无限的。”