在人工智能的幫助下，藥物的生產(chǎn)速度可以更快，而且成本更低。

雖然制藥行業(yè)可能需要數(shù)年時間才能創(chuàng)造出能夠或治愈人類疾病的藥物，但一項新的研究表明，使用生成人工智能可以大大加速藥物開發(fā)過程。

今天，大多數(shù)藥物發(fā)現(xiàn)都是由人類化學家進行的，他們依靠自己的知識和經(jīng)驗來選擇和合成成為我們依賴的安全高效藥物所需的正確分子。為了確定合成路徑，科學家們經(jīng)常采用一種稱為逆合成的技術(shù) - 一種通過從所需的分子向后工作并尋找化學反應(yīng)來制造它們來創(chuàng)造潛在藥物的方法。

然而，由于篩選數(shù)百萬個潛在的化學反應(yīng)可能是一項極具挑戰(zhàn)性和耗時的工作，俄亥俄州立大學的研究人員創(chuàng)建了一個名為G²Retro的人工智能框架，可以自動生成任何給定分子的反應(yīng)。 這項新研究表明，與目前的手動計劃方法相比，該框架能夠涵蓋大量可能的化學反應(yīng)，并準確快速地識別哪些反應(yīng)可能適合創(chuàng)建給定的藥物分子。

“將人工智能用于拯救人類生命的關(guān)鍵事情，如醫(yī)學，是我們真正想要關(guān)注的，” 該研究的作者，俄亥俄州立大學計算機科學與工程副教授夏寧說。 “我們的目標是使用人工智能來加速藥物設(shè)計過程，我們發(fā)現(xiàn)它不僅可以節(jié)省研究人員的時間和金錢，而且提供的候選藥物可能比自然界中存在的任何分子都具有更好的特性。

這項研究建立在Ning之前的研究基礎(chǔ)上，她的團隊開發(fā)了一種名為Modof的方法，該方法能夠產(chǎn)生比任何現(xiàn)有分子都更好地表現(xiàn)出所需特性的分子結(jié)構(gòu)?！艾F(xiàn)在的問題是如何制造這種生成的分子，這就是這項新研究的亮點，”Ning說，他也是醫(yī)學院生物醫(yī)學信息學副教授。

這項研究今天發(fā)表在《通信化學》雜志上。

Ning的團隊在一個數(shù)據(jù)集上訓練了G²Retro，該數(shù)據(jù)集包含40年至000年間收集的1976，2016個化學反應(yīng)。該框架從給定分子的基于圖的表示中“學習”，并使用深度神經(jīng)網(wǎng)絡(luò)生成可用于合成它們的可能的反應(yīng)物結(jié)構(gòu)。它的生成能力令人印象深刻，據(jù)Ning說，一旦給定一個分子，G²Retro可以在短短幾分鐘內(nèi)提出數(shù)百個n ew反應(yīng)預(yù)測。

“我們的生成AI方法G²Retro能夠提供多種不同的合成路線和選項，以及為每個分子排列不同選項的方法，”Ning說。“這不會取代目前基于實驗室的實驗，但它將提供更多更好的藥物選擇，因此實驗可以更快地確定優(yōu)先級和集中精力。

為了進一步測試人工智能的有效性，Ning的團隊進行了一項案例研究，看看G²Retro是否可以準確預(yù)測已經(jīng)流通的四種新發(fā)布的藥物：Mitapivat，一種用于溶血性貧血的藥物; Tapinarof，用于各種皮膚病; Mavacamten，一種全身性心力衰竭的藥物;和Oteseconazole，用于女性真菌感染。Ning說，G²Retro能夠正確地為這些藥物生成完全相同的專利合成路線，并提供可行的替代合成路線和合成有用的替代合成路線。

擁有這樣一個動態(tài)和有效的設(shè)備供科學家使用可以使該行業(yè)以更快的速度制造更強大的藥物 - 但盡管人工智能可能會給實驗室內(nèi)的科學家?guī)韮?yōu)勢，但寧強調(diào) G ²Retro或任何生成AI創(chuàng)造的藥物仍然需要驗證 - 這個過程涉及在動物模型中測試所創(chuàng)造的分子，然后在人體試驗中進行測試。 

“我們對醫(yī)學的生成人工智能感到非常興奮，我們致力于負責任地使用人工智能來改善人類健康，”寧說。

這項研究得到了俄亥俄州立大學總統(tǒng)研究計劃和科學基金會的支持。俄亥俄州立大學的其他合著者是Ziqi Chen，Oluwatosin Ayinde，James Fuchs和Huan Sun。