使用先进的AI技术，研究人员开发了一种新的方法，以使药物开发更快、更高效。
在一篇新论文中，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、该研究的主要作者宁霞介绍了DiffSMol，这是一种生成式AI模型，能够生成具有潜力成为药物候选物的3D小分子结构。
该研究发表在《自然机器智能》杂志上。
DiffSMol通过分析已知配体（与蛋白质靶标结合的分子）的形状，并利用这些形状作为条件来生成新的3D分子，这些新分子能更好地与蛋白质靶标结合。研究结果显示，当用于创建具有加快药物制造过程潜力的分子时，DiffSMol的成功率为61.4%，远超之前研究尝试中约12%的成功率。
宁霞表示：“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生成具有类似形状但不在以前化学数据库中的新分子。”
一旦DiffSMol学习了这些配体的形状，该团队的模型还可以定制这些新分子，以鼓励某些结合特性。根据论文所述，这表明该模型可以修改它们，使其具有更优的药物特性，如合成性或毒性。
通常，一种药物从开发到上市需要大约十年的时间，但缩短这一时间可以为开发新型药物和农用化学品开辟新的途径。与现有的用于药物设计的计算方法相比，DiffSMol仅需一秒钟即可生成一个分子，该研究的共同作者、俄亥俄州立大学计算机科学与工程系前博士生陈子琪说。
“生成式AI模型有潜力大幅加快这一过程并提高成本效益。”陈子琪说。
为了展示DiffSMol的能力，研究人员对两种关键药物靶标的分子进行了案例研究，一种是细胞周期依赖性激酶6 (CDK6)，它可以调节细胞周期并干扰癌症生长；另一种是内肽酶 (NEP)，它用于减缓阿尔茨海默病进展的治疗。他们的结果表明，DiffSMol生成的分子很可能非常有效，宁霞说。
“我们发现了一些比已知配体更好的分子，这是非常令人鼓舞的。”她说，“这表明我们开发的模型在识别良好的药物候选物方面具有巨大潜力。”
研究人员还公开了DiffSMol的代码，供其他科学家使用。
目前，DiffSMol仍然只能基于已知配体的形状生成新分子，这是团队希望在未来工作中克服的一个限制。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，并生成具有更广泛潜在相互作用的分子。
尽管还需要更多的测试，但团队预计，随着AI的不断进步，他们的工作将有一天达到新的高度，部分原因是AI在全球范围内的流行。
“如今，人们正在将这些高级模型应用于分子生成、化学以及几乎所有科学领域。”宁霞说，“这个领域发展非常迅速，我看不到它会放缓的迹象。”
(全文结束)
