QQ在線
企業微信
資訊
306在具有里程碑意義的發展中，使用人工智能(AI)創建的第一種藥物已進入其第一階段試驗。該化合物名為DSP-1181，由Exscientia和住友大日本制藥公司(Sumitomo Dainippon Pharma)合資成立，用于治療強迫癥(OCD)。Exscientia首席執行官Andrew Hopkins教授在《毒品目標評論》雜志的維多利亞·里斯(Victoria Rees)講話中解釋了如何在短短12個月內發現和優化該藥物。
霍普金斯首先解釋說，該藥物可作為5-羥色胺5-HT1A受體潛在活性的完全激動劑，與其他現有的5-羥色胺5-HT1A受體激動劑僅部分阻斷活性的作用不同。它的半衰期也比其他藥物更長。這使他和其他研究人員相信，與目前的療法相比，它將顯示出更大的功效和更長的作用時間。從藥物開發過程的開始就一直使用AI，包括從數據直接生成的從頭設計獲得的最初命中。
利用人工智能來搜索化學空間，其中包括潛在的數十億個原子配置選項，這使研究人員能夠減少識別目標所需的時間。將數據生成假設與機器學習相結合以產生藥物設計概念，人類先前采取的步驟被一套高級算法所取代。
首先，人工智能產生了數百萬種符合特定規格的潛在新型分子。然后，使用機器學習平臺來預測哪些化合物對成百上千種蛋白質具有活性。然后應用了第三層算法，稱為主動學習，該算法自動確定研究人員應該制造和測試的化合物的優先級。
通過使用AI同時滿足大量設計目標，這些過程使科學家能夠精確地設計藥物。霍普金斯說：“這就是如此重要的突破的原因，因為它展示了如何使用AI來創建分子，從而挑戰了傳統工藝，該算法的優點在于每個原子都至關重要。”未來，技術人員和藥物發現科學家之間的聯系將會更加緊密。”
霍普金斯(Hopkins)確定的藥物設計中的一個關鍵問題是，只有少量數據可輕易獲得。他說，這是“大數據問題的對立面”，這意味著需要學習不同的算法。
他解釋說，有大量的生物和化學數據源，可以將其集成并用于構建機器學習模型。但是，對于人體中的大多數蛋白質，在啟動藥物發現項目時通常只有很少的信息。此外，對于每個單獨的目標，通常存在少量數據或稀疏數據的問題。因此，算法上的挑戰是如何從很少的數據中快速學習。
霍普金斯說，要解決這個問題，在主動學習領域開發的一組算法對于設計創新藥物至關重要。
他解釋說：“通過做出更好的設計決策，我們開始看到的是，我們可以合成更少的化合物，這使項目的進展比傳統情況快得多。”霍普金斯(Hopkins)強調，使用AI的主要好處是臨床前階段的移動速度。他解釋說，與傳統方法相比，它可以更快地優化和鑒定臨床候選藥物。
他說，制藥業面臨的主要問題是生產率。使用AI可以解決研究回報率低的問題。“如果我們可以減少投資成本，那么最終我們就可以開始減少將學術界和診所的新見識轉化為新藥的障礙。”
