在一所大学实验室中，人工智能系统生成了数百万种新型分子来对抗耐药性感染。而且这些分子确实有效。
去年年底，在麻省理工学院的一个实验室里，科学家们给一个人工智能系统分配了一项新任务：从零开始设计完全新型的潜在抗生素分子。在经过几个月的训练后，该算法仅用一两天时间就生成了超过2900万种前所未有的新分子。传统的药物发现过程缓慢而费力。但人工智能正开始改变这一局面。在麻省理工学院，这项研究旨在应对日益严峻的抗生素耐药性感染挑战，这类感染每年在全球导致超过百万人死亡。现有的抗生素已经无法跟上这一威胁。
"耐药性细菌病原体的数量数十年来一直在增长，"麻省理工学院医学工程教授詹姆斯·柯林斯说，"而新抗生素的开发数量却在数十年来持续下降。"这项最近发表在《细胞》杂志上的研究是他实验室"抗生素-AI项目"的一部分，展示了人工智能在医学领域的潜力。
研究团队尝试制作了少量这些化合物，然后使用其中一种清除了小鼠体内的耐药性感染。在研究的另一部分，研究人员采用不同的方法生成了额外的分子，导致在小鼠身上进行了另一次成功的测试——这表明完全由AI设计的新型药物最终可能用于治疗最危险的感染。
当前挑战
创建新抗生素的标准方法包括逐一筛选现有化合物库，或筛选土壤样本来寻找有希望的新候选物。
自20世纪80年代以来，美国食品药品监督管理局已批准了几十种新抗生素，但其中大多数只是对现有药物的微小变体。
"在过去几十年中，情况主要是发现缺口，人们发现的抗生素或多或少都非常相似——它们是现有抗生素的类似物，"柯林斯说。药物公司面临的经济困境加剧了这一挑战。"例如，开发一种抗生素的成本实际上与开发一种癌症药物或降压药物的成本相当，"他说，"对于抗生素，你可能只服用一次或仅服用几天，而对于癌症药物或降压药物，你可能会服用数月、数年，甚至余生。每次使用，抗生素也只能获得一小部分利润。"
所有这些意味着，如果你感染了难以治疗的细菌——如耐甲氧西林金黄色葡萄球菌（MRSA），这种细菌也对许多其他药物产生耐药性——可用的选择更少。在美国，MRSA每年估计导致9000人死亡。
人工智能的演变应用
柯林斯实验室研究抗生素已有约20年。最初，团队使用机器学习来更好地了解抗生素的工作原理，并寻找使现有抗生素更有效的方法。大约六年前，他们开始将人工智能作为抗生素发现的平台。
他们使用AI筛选现有化合物库以寻找新抗生素，从而发现了以新方式对抗感染的新分子。一家衍生非营利组织Phare Bio目前正在努力将有希望的候选药物推向市场。这家生物技术公司希望启动对halicin的试验，这是一种最初于2009年为糖尿病治疗开发的药物，柯林斯研究团队在十年后发现它具有强大的抗生素特性。
最新研究更进一步——不仅筛选现有化合物，还创造新化合物。科学家们使用了两种不同的方法。首先，他们使用了一个包含数百万已知具有抗菌活性的化学片段的库，并使用算法将这些片段转换为完整分子。
在第二种方法中，他们让AI在不从现有片段开始的情况下自由设计新分子。当计算机处理新设计时，研究人员可以自由地处理其他任务，直到AI完成。分子生成后，"我们应用了一系列筛选过滤器来确定哪些分子优先合成和测试，"实验室高级博士后研究员Aarti Krishnan说，"这些步骤花了几天时间，涉及人工反馈，药物化学家手动检查了5000多个候选分子，并选择适合合成的分子。"
实际上制造这些分子具有挑战性——AI的一些想法如此天马行空，以至于它们要么无法制造，要么制造起来不切实际。（随着AI的发展，这种情况将会改善。）但研究团队还是成功制造了一小部分。从研究中使用现有分子片段的部分，科学家们能够制造出两个候选物，其中一个对杀死耐药性淋病细菌非常有效。
从让AI自由设计新分子的研究部分，他们合成并测试了22个样本，最终推进了一个候选物，在治疗小鼠耐药性MRSA的成功测试中取得了成果。现在，实验室的非营利合作伙伴正在继续研究这两种分子，以便它们能够接受更多测试。
生成式AI的新应用
虽然在药物开发中使用AI并不新鲜，但这种特定的生成式AI应用却是新颖的。"据我们所知，这是第一种生成式AI方法，设计了完全新颖的抗生素候选物，其结构在任何商业供应商空间中都不存在，"Krishnan说。
药物开发仍然是一个缓慢的过程，通过人体试验将继续花费时间。但AI显然可以在早期发现阶段提供帮助，降低成本并提高成功几率。"AI使我们能够探索比当前筛选库中可用的更大的化学空间。通过这样做，它为我们考虑这些新分子打开了大门，"柯林斯说。
这种方法也可能适用于其他类型的药物。"我们使用的所有AI方法都可以轻松扩展到其他适应症，"他说。
【全文结束】
