相互作用指纹的选择性分析。来源:《自然机器智能》

由莫纳什大学领导的澳大利亚研究人员发明了一种新的人工智能(AI)工具，该工具有望重塑早期药物发现中的虚拟筛选，并提高科学家识别潜在新药的能力。

虽然药物发现中的计算方法已经很成熟，但当涉及到能够快速，稳健和经济有效地预测分子和蛋白质之间相互作用强度的新型人工智能工具时，存在无可争议的差距-这是药物发现过程中的关键步骤。

澳大利亚的发明“psicic”(物理化学)汇集了计算技术和药物发现界面的专业知识，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，以最先进的精度解码蛋白质-分子相互作用，同时消除了对昂贵且不太准确的过程(如3D结构)的需求。

来自莫纳什制药科学研究所(MIPS)的联合主要作者Lauren May博士说，该团队已经证明psicic可以有效地筛选新的候选药物并进行选择性分析。

“对A1受体(许多疾病的潜在治疗靶点)的大型化合物文库的实验和人工智能预测的比较表明，psicic可以有效地筛选和识别新的候选药物。此外，psicic能够区分化合物的功能效果，换句话说，药物可能影响我们身体的方式，”梅博士说。

“人工智能有巨大的潜力完全改变药物发现的格局。我们预计psicic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。”

来自莫纳什大学数据科学和人工智能系的数据科学家、人工智能专家和主要作者杰夫·韦伯教授表示，虽然已经存在其他预测蛋白质-分子相互作用的方法，但它们可能很昂贵，而且在预测药物功能效果方面的能力也不强。

“应用人工智能方法来提高药物发现的可负担性和准确性是一个迅速扩大的领域。有了psicic，我们的团队已经消除了对3D结构来绘制蛋白质分子相互作用的需求，这是一个昂贵且通常限制性的要求，”Webb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，识别特定蛋白质-分子相互作用的独特‘指纹’，从而更快、更有效地筛选药物化合物，而无需以高分辨率3D方式呈现蛋白质或分子结构。”

MIPS的联合主要作者Anh Nguyen博士在药物受体相互作用的人工智能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来发挥预期的作用。全球都在努力开发基于人工智能的新方法，以准确确定分子与蛋白质靶标相互作用时的行为——毕竟，这是制造药物的核心组成部分，”Nguyen博士说。

第一作者，莫纳什大学信息技术学院的博士候选人Huan Yee Koh强调了设计psicic用于药物发现背后的动机。

“从早期发现到预测临床反应，人工智能有可能在药物发现过程的多个阶段显著提高稳健性、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，这些系统可能会受到不受限制的自由度的影响。这可能导致记忆以前已知的模式，而不是学习蛋白质与配体相互作用的潜在机制，最终阻碍了新药的发现，”Koh先生说。

“psicic通过在从序列数据中学习时将物理化学约束纳入其人工智能模型来解决这个问题。这使得psicic能够直接从序列数据中解码蛋白质-配体相互作用的机制，从而绕过对昂贵结构的需求，使药物发现更加高效和可靠。”

联合首席作者、格里菲斯大学信息与通信技术学院ARC未来研究员潘石瑞教授说，psicic只需要序列数据进行操作，这意味着它是唯一可访问的。

他补充说:“与之前基于深度序列的方法相比，这种方法更忠实地描述了潜在的蛋白质-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。”