跳动城乡网由莫纳什大学牵头的澳大利亚研究人员发明了一种新型人工智能(AI)工具，该工具有望重塑早期药物发现中的虚拟筛选，并增强科学家识别潜在新药的能力。
尽管药物发现中的计算方法已经很完善，但在新型人工智能工具方面仍存在无可争辩的差距，无法快速、稳健且经济高效地预测分子和蛋白质之间相互作用的强度——这是药物发现过程中的关键步骤。
澳大利亚的发明“PSICHIC”(PhySIcoCHemICal)汇集了计算技术和药物发现领域的专业知识，提供了一种全新的方法。
该研究发表在《自然机器智能》杂志上，展示了 PSICHIC 如何仅使用序列数据和人工智能来以最先进的精度解码蛋白质分子相互作用，同时消除了对 3D 结构等昂贵且精度较低的过程的需求。
莫纳什大学药学研究所 (MIPS) 的共同主要作者 Lauren May 博士表示，该团队已经证明 PSICHIC 可以有效筛选新药候选物并进行选择性分析。
“通过对大量化合物库对 A1 受体(许多疾病的潜在治疗靶点)的实验和 AI 预测进行比较，PSICHIC 可以有效筛选和识别新型候选药物。此外，PSICHIC 能够区分化合物的功能效应，换句话说，区分药物可能对我们身体产生的影响方式，”May 博士说。
“人工智能具有巨大的潜力，可以彻底改变药物研发领域。我们预见到 PSICHIC 将重塑虚拟筛选，并加深我们对蛋白质分子相互作用的理解。”
数据科学家、人工智能专家和主要作者、莫纳什大学数据科学与人工智能系的 Geoff Webb 教授表示，虽然已经存在其他预测蛋白质分子相互作用的方法，但它们成本高昂，并且无法预测药物的功能效果。
“应用人工智能方法提高药物研发的可负担性和准确性是一个快速发展的领域。借助 PSICHIC，我们的团队不再需要 3D 结构来绘制蛋白质分子相互作用，而这是一种成本高昂且往往具有限制性的要求，”韦伯教授说。
“相反，PSICHIC 通过应用人工智能分析数千种蛋白质-分子相互作用来识别特定蛋白质-分子相互作用的独特&luo;指纹&ruo;，从而无需以高分辨率 3D 形式呈现蛋白质或分子结构，即可更快、更有效地筛选药物化合物。”
Anh Nguyen 博士是 MIPS 的共同主要作者，在药物受体相互作用的 AI 方法方面拥有丰富的专业知识，他强调了这些相互作用的重要性。
“分子和蛋白质之间的相互作用是许多生物过程的基础，药物通过选择性地与特定蛋白质相互作用发挥其预期作用。全球已做出巨大努力来开发新的基于人工智能的方法，以准确确定分子与其蛋白质靶标相互作用时的行为——毕竟，这是制造药物的核心构件，”Nguyen 博士说。
第一作者 Huan Yee Koh，莫纳什大学信息技术学院的博士生，强调了设计 PSICHIC 用于药物发现的动机。
Koh 先生表示：“从早期发现到预测临床反应，AI 有可能大幅提高药物发现过程中多个阶段的稳健性、效率和成本。然而，由于许多 AI 系统从根本上依赖于模式匹配，因此这些系统可能会受到不受限制的自由度的影响。这可能导致记忆先前已知的模式，而不是学习蛋白质-配体相互作用的潜在机制，最终阻碍新药的发现。”
“PSICHIC 通过在从序列数据中学习时将物理化学约束纳入其 AI 模型来解决此问题。这使 PSICHIC 能够直接从序列数据中解码蛋白质-配体相互作用的潜在机制，从而避免了对昂贵结构的需求，并使药物发现更加高效和可靠。”
格里菲斯大学信息与通信技术学院的共同主要作者兼 ARC 未来研究员 Shirui Pan 教授表示，PSICHIC 只需要序列数据即可运行，这意味着它是唯一可访问的。
他补充道：“与以前基于深度序列的方法相比，这种方法更忠实地表示了底层的蛋白质-分子相互作用，从而缩小了基于序列的方法与基于结构或基于复合物的方法之间的性能差距。”
