深度學習模型篩查新藥快千倍

　　據美國麻省理工學院（MIT）官網12日報道，該校科學家開發出一款名為EquiBind的幾何深度學習模型，其將類藥物分子與蛋白配對的效率比現有最快的計算分子配對模型QuickVina2-W快1200倍。相關研究已經提交預印本服務器，并將提交給國際機器學習大會。

　　在藥物開發之前，研究人員必須找到有潛力的類藥物分子，這些分子可以與某些蛋白質靶點正確結合或“對接”——這一過程被稱為藥物發現。類藥物分子（配體）成功與蛋白質對接后，可以阻止蛋白質發揮功能。如果蛋白質是細菌的一種必需蛋白質，配體就可以殺死細菌，從而保護人體。

　　目前尋找潛在藥物候選分子的計算過程大致如下：大多數最先進的計算模型依賴繁重的候選采樣，以及評分、排序和微調等方法，從而讓配體和蛋白質之間實現最佳“匹配”。

　　最新研究主要作者、MIT電氣工程和計算機科學系研究生漢尼斯·斯塔克表示，上述傳統的配體—蛋白質結合方法就像“嘗試將鑰匙插入有許多鎖孔的鎖中”。這種方法需要花費大量時間對每個“鎖孔”進行嘗試，才能找到最佳匹配。相反，EquiBind僅需一個步驟就可以直接精準預測配體與蛋白質配對的精確位置，這是因為其擁有內置的幾何推理能力，可以幫助模型了解并學習分子的基本情況，在遇到新的數據時能夠進行概括，以做出更好的預測。

　　該研究引起了專業人士的興趣。接力醫療公司首席數據官帕特·沃爾特斯建議其團隊在現有的一種用于肺癌、白血病和胃腸道腫瘤的藥物和蛋白質上嘗試這一最新模型，結果EquiBind取得了成功——而大多數傳統的配對方法無法讓蛋白和配體成功配對。

　　沃爾特斯說，EquiBind為配對問題提供了一種獨特的解決方案，它結合了姿態估計和結合位點識別。這種方法利用了數千種公開可用的晶體結構的信息，可能對藥物開發領域產生新的影響。