加速药物发现

加州大学圣地亚哥分校医学院的研究人员在2021 年 7 月 12 日的《自然通讯》在线问题上描述了一种新方法，该方法使用机器学习加速药物发现，然后预测药物是否有可能获得 FDA 的批准。

人工智能算法可用于专门设计与天然物质具有相同效果、但结构更简单的活性成分。在快速设计、制造、测试、分析循环中，将自动化、基于规则的分子构建与机器学习和实验验证很好地结合在一起。

Facebook AI研究实验室（Facebook’s AI Research lab；FAIR）和德国环境健康研究中心Helmholtz Zentrum München，于2021年4月16日宣布将推出一种新的机器学习工具，旨在帮助加速发现有效的抗疾病和癌症的新药物组合，通过AI加速药物发现。

瑞典查尔姆斯理工大学的研究人员介绍了一种利用人工智能生成合成蛋白质的方法。这种新方法对于开发高效的工业酶以及抗体和疫苗等新型蛋白质药物有着巨大的潜力。由于瑞典查尔姆斯理工大学的研究人员最近发表的工作，人工智能现在已经能够生成新颖的、具有功能活性蛋白质。

美国麻省理工学院（MIT）的科学家开发出DeepBAR技术，可快速计算候选药物与其靶蛋白间的结合亲和力，并在短时间内得到精确的计算结果。药物只有粘附在体内的靶蛋白上才能发挥药效，因此评估粘性是药物发现和筛选过程中的一个关键障碍，机器学习技术的引入或能降低该障碍。

通过活性而不是结构来评估药物化合物是一种新方法，可以加快对COVID-19治疗的搜索速度，并揭示出其他疾病的更多潜在治疗方法。科学家开发基于生物活性的建模可改善有前景的药物筛选，加速药物发现。

近日，香港中文大学（中大）化学系的研究人员，研发出首个用于制备「手性卤代螺环化合物」（chiral halo-spiro compound）的新型催化系统。它是一种极具潜力、可用于不同类型药物的化合物。今次研究将丰富新药设计的化学「工具箱」，制药行业将来有更多原材料可供选择。

上海交大在基于人工智能药物发现的方法研究中取得重要进展，研究人员提出的基于网络的标签空间划分的多标签多分类学习方法为药物-靶标相互作用（drug-target interaction , DTI）预测问题提供了一种新的思路。该方法为下游新药设计、老药新用提供了理论和实践依据，具有一定的理论意义和重要应用价值。

利用蛋白质结构预测控制蛋白质功能和动力学的内在联系的新技术现已可供科学家使用。该工具由宾夕法尼亚州立大学的研究人员开发，可能对蛋白质工程和药物设计有用。

西蒙弗雷泽大学化学家罗伯特-布里顿及其国际团队的新研究，发现抗病毒和抗癌药物将很快变得更便宜。现在，利用新工艺，科学家可以比以前的方法提前几个月开发新核苷类似物，为更快发现药物铺平了道路。

药物要想发挥作用，通常必须与机体内蛋白质结合。就像锁和钥匙，药物分子部分片段必须适合目标蛋白质的凹处或空腔。多年来，由Manfred Weiss博士领导的HZB大分子晶体学系（MX）团队与Gerhard Klebe教授（马尔堡大学）领导的药物设计小组一直致力于建立片段库。有助于加速药物发现。

目前我们在抗感染药物方面尚未取得更大进展。大流行防范需要一种新方法，COVID Moonshot（https://postera.ai/covid）—正在尝试实施这样的解决方案。

了解一个分子如何与生物体相互作用是考虑其治疗潜力的关键。现在科学家推出了一个在线访问工具，提供超过100万种化合物在各种生物环境中发挥作用信息。研究人员已经证明了该工具的潜力