人工智能幫助藥物發現

藥物-靶標相互作用是藥物發現中的一個突出研究領域，是指識別化合物與蛋白質靶標之間的相互作用。化學家估計可以制造1060種具有類似藥物特性的化合物——這比太陽系中的原子總數還多，正如2017年《自然》雜志上的一篇文章報道的那樣。

藥物開發平均需要大約14年的時間，成本高達15億美元。在這個巨大“星系”的藥物發現之旅中，很明顯，傳統的DTI檢測生物實驗通常既昂貴又耗時。

侯廷軍教授是浙江大學藥學院計算機輔助藥物設計(CADD)專家。在過去的幾十年里，他一直致力于利用計算機技術開發藥物。“最大的挑戰在于未知靶點和藥物分子之間的相互作用。我們如何更有效地發現它們?這涉及方法上的新突破。”

最近，人工智能(AI)開辟了新的可能性。“有了人工智能，我們或許可以在藥物發現上達到更上游的階段，從而提高藥物開發的效率和成功率，”侯說。

除了人工智能，基因組學、蛋白質組學、藥理學等多組學數據也蓬勃發展。在每個領域，都存在著巨大的生物醫學信息海洋。有關藥物、蛋白質、疾病、副作用、生物過程、分子功能、細胞成分、生物酶和離子通道的信息已存儲在專門的數據庫中。然而，它們對藥物發現的價值仍然模糊不清。

何世波教授是浙江大學控制科學與工程學院大數據與網絡科學專業學者。“這個領域特別適合跨學科研究。這一相當大的生物信息體可以抽象成一個多層和異構的網絡系統，”何說。

2021年11月，中南大學侯廷軍、何世波、曹東升在《自然通訊》雜志上共同發表了題為“基于知識圖譜和推薦系統的統一藥物-靶點相互作用預測框架”的研究論文。

在這項研究中，研究人員提出了一個統一的框架，稱為KGE_NFM(知識圖嵌入和神經分解機)，通過結合KGE和推薦系統技術進行藥物靶點相互作用(DTI)預測，適用于藥物發現的各種場景，特別是當遇到新的蛋白質靶點。

研究人員在三個真實場景中評估了KGE_NFM：熱啟動、藥物冷啟動和蛋白質冷啟動。在前兩種場景中，AI算法與傳統算法不相上下，有時甚至略遜于后者。在第三種情況下，KGE_NFM比競爭對手高出30%。

“這證明了人工智能在預測未知蛋白質靶標方面的卓越能力和優越性。從‘未知蛋白質靶標’中發現‘未知藥物-靶標相互作用’是未來藥物發現中不可否認的重要任務，”侯說。

“我們可以使用人工智能進行復雜的異構網絡挖掘，做很多有趣的事情，”何說。例如，該團隊目前正在與騰訊實驗室合作，開展乙肝藥物虛擬篩選和藥物協同的研究。“使用KGE不僅可以擴展信息維度，還可以提升算法系統的可解釋性和可信度。”