人工智能，尤其是生成式人工智能的出现，已经开始改变这个过程。目前几乎涵盖了传统医药的各个环节，包括靶点发现、临床前药物研发、临床开发等。
无论是寻找疾病的有价值的生物靶点，还是从已知的化学空间中寻找良好的起始分子，人工智能都可以发挥有效的作用。
利用生成式AI加速药物研发进程也是郑双佳近年来重点关注的研究领域。
在这一领域，他取得了许多杰出的成果，如旨在实现动态复杂结构预测的几何深度生成模型[1]、针对难以药物靶点的生成智能药物设计算法[2]、原子的有效融合MUSE[ 3]、结构尺度和分子网络尺度等多尺度信息的学习框架。
凭借这些贡献，他成功入选2024年亚洲青年科学家基金项目-生命科学研究员。
开发深度学习方法以实现动态复合物的结构预测
谷歌团队推出的系列模型使得AI在实现静态蛋白质结构预测方面取得了重大进展。
然而，由于它不具备预测蛋白质结构动态变化的能力，因此无法帮助该领域的研究人员更好地了解蛋白质功能并推进药物发现。
基于此，郑双佳带领团队在完成蛋白质静态结构预测的基础上，开发了一种可以预测复杂结构动态结合模式的深度学习方法。
此外，值得一提的是，与只能预测蛋白质单体结构的方法相比，它可以同时预测小分子与蛋白质的结合模式和亲和力。
“从这个角度来看，已经实现了从结构到功能的转变。换句话说，已经完成了从单纯的结构预测到具有一定实施场景的药物发现的转变。”郑双嘉说道。
同时，团队还针对该成就推出了一些模块。
这是结构生物学家以及该领域许多研究人员非常关注的模块。它通常指动态建模或动态分析的组件或工具，旨在研究和描述生物分子（如蛋白质、核酸等）在时间和空间上的动态行为。
在开发药物的过程中，研究人员可能会看到蛋白质结构中出现多个口袋，其中一些口袋在某些情况下才会正常打开。
这种被称为“隐藏口袋”的东西通常无法通过预测的结构来捕获，但由于模块的引入，可以很好地捕获此类隐藏口袋如何出现以及它们如何与小分子结合。
“也就是说，它可以帮助我们找到特异性更好的药物，达到对症下药的目的。”郑双嘉说道。
他指出，研究团队很早就将一系列工作投入实际应用。
“我们当时做了一件比较暴力的事情，就是选择15到20个高价值靶点，包括一些难药靶点，用AI的方法对每个靶点进行分级药物筛选，然后对每个靶点进行筛选现场将送去100到200个分子进行湿式实验验证。”郑双佳说。
他们还看到了令人惊讶的结果。
也就是说，在这15至20个靶标中，85%的靶标中可以找到良好的先导化合物。
同时，整个过程获得的筛选成功率远高于利用传统计算化学方法和高通量实验方法获得的筛选成功率。
“我们每次送去100到200个分子进行检测，根据生物学家设定的活性标准，这近20个目标的平均筛选命中率可以达到20%。”郑双佳说。
如上所述，除了这一成果之外，他还系统地开发了一套针对难药靶点的生成智能药物设计算法，用于蛋白水解靶向嵌合体（，-）的设计。
需要指出的是，作为一种创新的药物设计策略，它具有特异性降解靶蛋白的功能。
其设计的难点在于使分子具有良好的选择性和药物潜力，同时具有降解活性。即减少毒副作用，提高生物利用度。
为了克服这个问题，团队通过生成式人工智能构建了一个大型化学模型，然后使用强化学习来优化中间的连接器。这就是上述算法背后的原理。
基于该算法，研究人员设计了6种分子并进行了实验验证。结果表明，其中3种均表现出良好的降解活性，成药性显着提高。
“诺贝尔奖已经进入‘人工智能时代’，未来将会有更多的人工智能学者获得这一奖项。”
2024年，诺贝尔物理奖和化学奖将陆续颁发给人工智能研究人员。在很多人看来，这是诺贝尔奖进入“AI时代”的标志。
那么，郑爽嘉对此有何看法呢？
本站候鸟号已成立3年，主要围绕财经资讯类，分享日常的保险、基金、期货、理财、股票等资讯，帮助您成为一个优秀的财经爱好者。本站温馨提示：股市有风险，入市需谨慎。
暂无评论