在药物研发领域,AI的影响愈发凸显。在提升竞争力和生产力的同时,AI还能发挥强有力的杠杆作用,让小企业也能和行业巨头们站在同一起跑线上展开竞争。
凭借充足的预算和资源,大公司可以对上百万种候选药物进行实际测试。这是他们相对于初创公司和普通研究人员的优势。但通过利用神经网络模拟潜在药物分子与目标蛋白质的结合情况,小型实验室也可以取得类似的成果。
通过深度学习提升分子对接的速度和准确度,即通过计算来预测分子与蛋白质的结合方式和结合效果,从而帮助小公司和其他研究人员挖掘极具前景的药物疗法。
“不需要使用实际的分子,你就可以筛选数十亿种化合物。”美国匹兹堡大学(University of Pittsburgh)助理教授David Koes说道。
筛选“天作之合”的分子结构
科学家们寻找有药物疗法的完美分子结构,本质上是寻找其中的吸引力法则。
理想情况是,药物分子与目标蛋白质具有足够吸引力(或者称为亲和力)。如果亲和力过弱,则这种药物与之结合后将无法充分发挥药效。
可以用一条耳熟能详的原理来解释这一现象:异性相吸。如今,Koes和他的同事们正在向其神经网络传授这一原理。
这种互相吸引的组合还必须是特定的,即如果药物分子太过常规,则它和人体内的上百种蛋白质都有可能结合,而不是只与一种蛋白质相结合。“这种情况通常是不利的,”David Koes指出。
用虚拟的方式对这些分子进行筛选能够加快通常需要长达数年时间才能完成的药物研发过程,从而确定出有资格进行临床试验的最佳候选药物。
正如Koes所说,“对于药物研发来说,要求越严格,日后失败的可能性就越小。”
这一方法进一步拓宽了研究人员的视野,让他们得以测试目前并不存在的一些药物分子。如果某种特定的分子结构具有治疗前景,那么就可以在实验室进行合成。
Koes认为这一领域潜力巨大。在他的未来愿景里,研究人员通过滑动条就能激活分子的某些特性,比如溶解度,再比如分子穿越血脑屏障的可能性。
他也承认,实现这一点还需要时间。“这是一项不小的挑战,因为需要让分子在物理性质和化学性质上都具有真实性。”
释放深度学习的潜力
研究人员所使用的卷积神经网络会观察蛋白质的物理结构,从而推断出哪种药物分子可以实现预期的结合效果。
该研究团队并没有告诉算法哪种分子结构特征对于结合来说至关重要,而是选用了一种非参数的方法(如“异性相吸”)。到目前为止,该团队取得的成果十分喜人,这也表明了神经网络能够从训练数据中推断出其中的规律。
该深度学习模型使用的是cuDNN深度学习软件,与之前的机器学习模型相比,其预测准确率由52%提升至70%。
“如果我们的准确度能达到足以让药物生产商对新分子进行合成,那么就证明我们的工作是有意义的,”Koes如是说。
Koes使用NVIDIA GPU已有十多年之久。他表示,这项工作使用了包括Tesla V100等NVIDIA多个系列的GPU。
尽管该研究团队尚未对推理模型进行优化,但在研究工作的训练和推理阶段,他们已经启用了GPU。
Koes表示,试验分子的虚拟筛选过程极其复杂,因为该模型必须选取多个不同的立体空间位置进行试验,才能确定一种分子的亲和力,因此“如果没有 GPU,这一方法将毫无用处。就像自动驾驶汽车一样,需要不间断地进行处理。”
-
AI
+关注
关注
87文章
30762浏览量
268905 -
深度学习
+关注
关注
73文章
5500浏览量
121117
原文标题:PCB新三板上市企业名录(未来3大发展趋势)
文章出处:【微信号:cpcb001,微信公众号:PCB行业融合新媒体】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论