Nature子刊：用人工智能改变药物发现

密歇根州立大学领导的研究应用ChatGPT背后的算法来加速医学的进步

　　

一个新的人工智能驱动的项目将使研究人员能够提高他们的药物发现工作。

这个名为TopoFormer的程序是由密歇根州立大学数学系研究基金会教授Guowei Wei领导的一个跨学科团队开发的。TopoFormer将分子的三维信息转化为典型的基于人工智能的药物相互作用模型可以使用的数据，扩展了这些模型预测药物效果的能力。

“有了人工智能，你可以更快、更有效、更便宜地发现药物，”Guowei Wei说，他还在生物化学和分子生物学以及电子与计算机工程系任职。

Wei和他的团队在《自然机器智能》杂志上发表了一篇关于他们工作的论文。

结构说明

Wei说，在美国，开发一种药物大约需要10年的时间，耗资约20亿美元。他补充说，用试验来测试药物大约占用了一半的时间，但另一半时间用于发现一种新的候选治疗方法进行测试。

TopoFormer有可能缩短开发时间。这样做可以降低开发成本，从而降低下游消费者的药品价格。这对罕见病尤其有用，因为患者数量有限意味着制药公司需要收取更高的费用来收回成本。

虽然研究人员目前使用计算机模型来帮助药物发现，但由于问题的无数变量，仍然存在局限性。

“在我们的身体里，我们有超过2万种蛋白质，当一种疾病出现时，其中的一些或一种是有针对性的。”

因此，第一步是了解疾病影响的蛋白质。这些蛋白质也成为研究人员的目标，他们希望找到能够预防、减少或抵消这种疾病影响的分子。

“当我有了一个目标，我就会尝试找到很多针对这个特定目标的潜在药物，”Wei说。

一旦科学家们知道用药物靶向哪些蛋白质，他们就可以将蛋白质和潜在药物的分子序列输入到传统的计算机模型中。这些模型预测药物和靶标如何相互作用，指导决定开发哪些药物并在临床试验中进行测试。

虽然这些模型可以仅根据药物和蛋白质的化学组成预测一些相互作用，但它们也错过了来自分子形状和三维结构的重要相互作用。

化学家在20世纪60年代发现的布洛芬就是一个例子。有两种不同的布洛芬分子具有完全相同的化学序列，但3D结构略有不同。只有一种排列方式可以与疼痛相关的蛋白质结合并消除头痛。

“当前的深度学习模型在预测药物或蛋白质如何协同工作时不能解释它们的形状，”Wei说。

这就是TopoFormer的用武之地。这是一个变压器模型，与Open AI的聊天机器人ChatGPT (GPT代表“生成预训练变压器”)使用的人工智能相同。

这意味着TopoFormer经过训练可以读取一种形式的信息并将其转换为另一种形式。在这种情况下，它需要关于蛋白质和药物如何根据它们的形状相互作用的三维信息，并将其重新创建为当前模型可以理解的一维信息。

事实上，“Topo”代表“拓扑拉普拉斯”，指的是Wei和他的团队发明的将3D结构转换为1D序列的数学工具。

这个新模型是在数以万计的蛋白质-药物相互作用的基础上进行训练的，其中两个分子之间的每次相互作用都被记录为一段代码，或一个“词”。这些单词被串在一起，形成了对药物-蛋白质复合物的描述，创造了其形状的记录。

“通过这种方式，你可以把很多很多的单词编织成一个句子，”Wei说。

然后，这些句子可以被其他预测新药相互作用的模型读取，并为它们提供更多的背景。如果一种新药是一本书，TopoFormer可以把一个粗略的故事想法变成一个成熟的情节，随时可以写出来。