麻省理工学院与哈佛大学布罗德研究所的联合研究团队近日开发出革命性药物设计系统——基于深度学习的OptiBind模型。该系统能够自动设计针对癌症特异性突变的靶向治疗药物分子，在《自然-机器智能》发表的研究中，研究团队展示了其在KRAS G12C突变相关肺癌治疗中的突破性应用。
"癌症基因组学揭示了大量特异性突变，但将这些发现转化为精准治疗方案仍是重大挑战。"主要研究者之一、麻省理工学院生物学教授艾琳娜·瓦伦特表示，"传统计算机辅助药物设计受限于局部优化陷阱，而OptiBind通过全局搜索算法实现了药物-靶点结合特性的多维优化。"
研究团队构建的深度学习架构包含三个核心模块：基于Transformer的分子特征提取器、结合自由能预测网络以及强化学习优化引擎。系统通过迭代生成候选分子并评估其与靶点蛋白的结合亲和力、选择性及药代动力学特性，最终筛选出综合评分最优的候选药物。
在针对KRAS G12C突变体的验证实验中，系统生成的化合物展现出与现有临床药物相当的抑制活性（IC50=12nM），同时表现出更优的细胞渗透性和代谢稳定性。值得注意的是，该化合物骨架结构完全由系统自主设计，未采用传统药物开发中的现有分子模板。
"这项技术突破将改变癌症精准医疗的游戏规则。"研究通讯作者、布罗德研究所计算生物学家戴维·根特教授指出，"我们正与多家医院合作开展针对复发性卵巢癌和难治性白血病的转化研究，预计两年内将有首个基于该平台的候选药物进入临床前研究阶段。"
【全文结束】
