美國麻省理工學(xué)院和塔夫茨大學(xué)研究人員設(shè)計出一種基于大型語言模型(如ChatGPT)的人工智能算法，這種稱為ConPLex的新模型可將目標(biāo)蛋白與潛在的藥物分子相匹配，而無需執(zhí)行計算分子結(jié)構(gòu)的密集型步驟。相關(guān)論文發(fā)表在最新一期《美國國家科學(xué)院院刊》上。

　　使用這種方法，研究人員可在一天內(nèi)篩選超過1億種化合物，比任何現(xiàn)有模型都要多得多。這項成果解決了對當(dāng)前藥物篩選的需求，其可擴(kuò)展性還能夠評估脫靶效應(yīng)、藥物再利用以及確定突變對藥物結(jié)合的影響。

　　近年來，科學(xué)家在根據(jù)氨基酸序列預(yù)測蛋白質(zhì)結(jié)構(gòu)方面取得了巨大進(jìn)步。然而，要預(yù)測大型潛在藥物庫如何與致癌蛋白相互作用，依然具有挑戰(zhàn)性，因為計算蛋白質(zhì)三維結(jié)構(gòu)需要大量時間和計算能力。

　　麻省理工學(xué)院團(tuán)隊以他們2019年首次開發(fā)的蛋白質(zhì)模型為基礎(chǔ)，此次將模型應(yīng)用于確定蛋白質(zhì)序列將與特定藥物分子的相互作用。他們用已知的蛋白質(zhì)—藥物相互作用對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其能學(xué)習(xí)將蛋白質(zhì)特定特征與藥物結(jié)合能力聯(lián)系起來，而無需計算任何分子的三維結(jié)構(gòu)。

　　通過篩選包含約4700種候選藥物分子的庫，團(tuán)隊測試了他們的模型，并確定了這些藥物與51種蛋白激酶結(jié)合的能力。

　　從熱門結(jié)果中，研究人員選擇了19組“藥物—蛋白質(zhì)對”進(jìn)行實驗測試，最終12對具有很強(qiáng)的結(jié)合親和力，而幾乎所有其他可能的藥物—蛋白質(zhì)對都沒有親和力。

　　研究人員表示，藥物研發(fā)成本之所以如此高昂，部分原因是它的失敗率很高。如果能事先預(yù)測這種結(jié)合不可能奏效，就能減少失敗率，從而大大降低新藥開發(fā)的成本。

　　【總編輯圈點】

　　在我們普通人還在用語言模型聊天和寫作時，科研人員已經(jīng)看到了它在藥物篩選方面的變革性潛力。藥物研發(fā)耗時漫長且相當(dāng)昂貴，要做大量的“無用功”。人工智能已經(jīng)被引入這一枯燥漫長的過程，幫助縮短分子配對的時間。文中介紹的新模型ConPLex可以分析大量文本，并找到最可能出現(xiàn)在一起的組合。這種基于語言模型研究的思路，超越了目前最先進(jìn)的算法，可在一天內(nèi)篩選超過1億種化合物。論文已經(jīng)對篩選結(jié)果進(jìn)行了實驗檢測，結(jié)果也令人欣喜。

（責(zé)任編輯：華康）