(資料圖片僅供參考)
美國麻省理工學院和塔夫茨大學研究人員設計出一種基于大型語言模型（如ChatGPT）的人工智能算法，這種稱為ConPLex的新模型可將目標蛋白與潛在的藥物分子相匹配，而無需執(zhí)行計算分子結構的密集型步驟。相關論文發(fā)表在最新一期《美國國家科學院院刊》上。
使用這種方法，研究人員可在一天內(nèi)篩選超過1億種化合物，比任何現(xiàn)有模型都要多得多。這項成果解決了對當前藥物篩選的需求，其可擴展性還能夠評估脫靶效應、藥物再利用以及確定突變對藥物結合的影響。
近年來，科學家在根據(jù)氨基酸序列預測蛋白質(zhì)結構方面取得了巨大進步。然而，要預測大型潛在藥物庫如何與致癌蛋白相互作用，依然具有挑戰(zhàn)性，因為計算蛋白質(zhì)三維結構需要大量時間和計算能力。
麻省理工學院團隊以他們2019年首次開發(fā)的蛋白質(zhì)模型為基礎，此次將模型應用于確定蛋白質(zhì)序列將與特定藥物分子的相互作用。他們用已知的蛋白質(zhì)—藥物相互作用對網(wǎng)絡進行訓練，使其能學習將蛋白質(zhì)特定特征與藥物結合能力聯(lián)系起來，而無需計算任何分子的三維結構。
通過篩選包含約4700種候選藥物分子的庫，團隊測試了他們的模型，并確定了這些藥物與51種蛋白激酶結合的能力。
從熱門結果中，研究人員選擇了19組“藥物—蛋白質(zhì)對”進行實驗測試，最終12對具有很強的結合親和力，而幾乎所有其他可能的藥物—蛋白質(zhì)對都沒有親和力。
研究人員表示，藥物研發(fā)成本之所以如此高昂，部分原因是它的失敗率很高。如果能事先預測這種結合不可能奏效，就能減少失敗率，從而大大降低新藥開發(fā)的成本。
【總編輯圈點】
在我們普通人還在用語言模型聊天和寫作時，科研人員已經(jīng)看到了它在藥物篩選方面的變革性潛力。藥物研發(fā)耗時漫長且相當昂貴，要做大量的“無用功”。人工智能已經(jīng)被引入這一枯燥漫長的過程，幫助縮短分子配對的時間。文中介紹的新模型ConPLex可以分析大量文本，并找到最可能出現(xiàn)在一起的組合。這種基于語言模型研究的思路，超越了目前最先進的算法，可在一天內(nèi)篩選超過1億種化合物。論文已經(jīng)對篩選結果進行了實驗檢測，結果也令人欣喜。（張夢然）
