本研究深入探讨了人工智能（AI）在革新药物发现方面的潜力，特别聚焦于识别用于靶向癌症疗法的新型化合物。通过应用先进的机器学习算法，我们的方法取得了令人印象深刻的预测准确率，达到了92.5%的准确率、0.94的AUC-ROC和0.91的AUC-PR。AI模型成功识别出35种被预测对特定癌症靶点具有高效力的新型化合物，预示着癌症治疗领域取得进展的前景光明。对这些已识别化合物分子结构的检查显示出积极的特征，其中90%符合利平斯基规则五，表明它们作为潜在药物候选物的适宜性。此外，12小时的平均预测半衰期表明其具有有利的药代动力学特性，增强了它们潜在的可信度。一项比较评估凸显了AI驱动方法的效率优势，与传统方法相比，时间减少了80%，成本降低了65%。除了在靶向癌症疗法中的应用，我们方法的成功还暗示了对整个药物研究领域更广泛的影响，提供了一种更精简、更精确的方法。尽管这些结果令人鼓舞，但认识到局限性并强调计算与实验研究人员之间持续合作的重要性至关重要。未来方向包括模型的精细化、多样化数据集的整合以及严格的实验验证。总之，我们的研究强调了AI驱动药物发现在识别用于靶向癌症疗法的新型化合物方面的有效性。这些已识别的化合物，因其有利的结构和药代动力学特性，为克服当前癌症治疗中的挑战提供了一条有前景的途径。这些发现为在人工智能与药物发现交叉领域进行持续探索、合作倡议和进步奠定了基础。
参考文献：
- Chen H, Engkvist O, Wang Y, Olivecrona M, Blaschke T. The rise of deep learning in drug discovery. Drug Discov Today. 2018;23(6):1241-1250.
- Paoletti X, Drubay D, Lefevre N, Soria JC. Targeted therapies need a 'MEtoo' strategy in oncology. Nat Rev Clin Oncol. 2019;16(11):658-669.
- LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436-444.
- Schneider G. Automating drug discovery. Nat Rev Drug Discov. 2018;17(2):97-113.
- Gaulton A, Bellis LJ, Bento AP, et al. ChEMBL: a large-scale bioactivity database for drug discovery. Nucleic Acids Res. 2012;40(Database issue):D1100-D1107.
- Sheridan C. AI provides speed boost to drug discovery. Nat Biotechnol. 2020;38(3):265-267.
- Ashley EA. Towards precision medicine. Nat Rev Genet. 2016;17(9):507-522.
- Begoli E, Bhattacharya T, Kusnezov D. "Big data and deep learning: challenges and opportunities." IEEE Comput. 2018;48(3):22-29.
【全文结束】