在藥物研發(fā)領(lǐng)域，AI的影響愈發(fā)凸顯。在提升競爭力和生產(chǎn)力的同時，AI還能發(fā)揮強有力的杠桿作用，讓小企業(yè)也能和行業(yè)巨頭們站在同一起跑線上展開競爭。

憑借充足的預(yù)算和資源，大公司可以對上百萬種候選藥物進行實際測試。這是他們相對于初創(chuàng)公司和普通研究人員的優(yōu)勢。但通過利用神經(jīng)網(wǎng)絡(luò)模擬潛在藥物分子與目標蛋白質(zhì)的結(jié)合情況，小型實驗室也可以取得類似的成果。

通過深度學習提升分子對接的速度和準確度，即通過計算來預(yù)測分子與蛋白質(zhì)的結(jié)合方式和結(jié)合效果，從而幫助小公司和其他研究人員挖掘極具前景的藥物療法。

“不需要使用實際的分子，你就可以篩選數(shù)十億種化合物?！泵绹テ澅ご髮W（University of Pittsburgh）助理教授David Koes說道。

篩選“天作之合”的分子結(jié)構(gòu)

科學家們尋找有藥物療法的完美分子結(jié)構(gòu)，本質(zhì)上是尋找其中的吸引力法則。

理想情況是，藥物分子與目標蛋白質(zhì)具有足夠吸引力（或者稱為親和力）。如果親和力過弱，則這種藥物與之結(jié)合后將無法充分發(fā)揮藥效。

可以用一條耳熟能詳?shù)脑韥斫忉屵@一現(xiàn)象：異性相吸。如今，Koes和他的同事們正在向其神經(jīng)網(wǎng)絡(luò)傳授這一原理。

這種互相吸引的組合還必須是特定的，即如果藥物分子太過常規(guī)，則它和人體內(nèi)的上百種蛋白質(zhì)都有可能結(jié)合，而不是只與一種蛋白質(zhì)相結(jié)合?！斑@種情況通常是不利的，”David Koes指出。

用虛擬的方式對這些分子進行篩選能夠加快通常需要長達數(shù)年時間才能完成的藥物研發(fā)過程，從而確定出有資格進行臨床試驗的最佳候選藥物。

正如Koes所說，“對于藥物研發(fā)來說，要求越嚴格，日后失敗的可能性就越小?！?/p>

這一方法進一步拓寬了研究人員的視野，讓他們得以測試目前并不存在的一些藥物分子。如果某種特定的分子結(jié)構(gòu)具有治療前景，那么就可以在實驗室進行合成。

Koes認為這一領(lǐng)域潛力巨大。在他的未來愿景里，研究人員通過滑動條就能激活分子的某些特性，比如溶解度，再比如分子穿越血腦屏障的可能性。

他也承認，實現(xiàn)這一點還需要時間?！斑@是一項不小的挑戰(zhàn)，因為需要讓分子在物理性質(zhì)和化學性質(zhì)上都具有真實性?！?/p>

釋放深度學習的潛力

研究人員所使用的卷積神經(jīng)網(wǎng)絡(luò)會觀察蛋白質(zhì)的物理結(jié)構(gòu)，從而推斷出哪種藥物分子可以實現(xiàn)預(yù)期的結(jié)合效果。

該研究團隊并沒有告訴算法哪種分子結(jié)構(gòu)特征對于結(jié)合來說至關(guān)重要，而是選用了一種非參數(shù)的方法（如“異性相吸”）。到目前為止，該團隊取得的成果十分喜人，這也表明了神經(jīng)網(wǎng)絡(luò)能夠從訓練數(shù)據(jù)中推斷出其中的規(guī)律。

該深度學習模型使用的是cuDNN深度學習軟件，與之前的機器學習模型相比，其預(yù)測準確率由52%提升至70%。

“如果我們的準確度能達到足以讓藥物生產(chǎn)商對新分子進行合成，那么就證明我們的工作是有意義的，”Koes如是說。

Koes使用NVIDIA GPU已有十多年之久。他表示，這項工作使用了包括Tesla V100等NVIDIA多個系列的GPU。

盡管該研究團隊尚未對推理模型進行優(yōu)化，但在研究工作的訓練和推理階段，他們已經(jīng)啟用了GPU。

Koes表示，試驗分子的虛擬篩選過程極其復(fù)雜，因為該模型必須選取多個不同的立體空間位置進行試驗，才能確定一種分子的親和力，因此“如果沒有 GPU，這一方法將毫無用處。就像自動駕駛汽車一樣，需要不間斷地進行處理。”