效率提升1200倍，麻省理工開發出AI制藥新模型

據外媒Tech Xplore報道，麻省理工學院的研究人員最近開發了一種新模型，名為EquBind，可以提前預測新蛋白質分子的結構，提高藥物開發的效率。

目前這項技術已經得到了業界的認可，關于這項技術的論文將在7月份的國際機器學習大會上被接受。

第一，速度提升1200倍，EquBind模型可以快速篩選類藥分子。

目前，藥物研發是一個漫長而昂貴的事情主要原因是研發藥物的成本非常昂貴這個成本不僅包括數十億美元的資金投入，還包括數十年的研究時間

而且在R&D的過程中，90%的藥物會因為無效或者副作用太多而失敗，只有10%的藥物能夠順利通過美國食品藥品監督管理局的檢驗，被批準上市。

所以藥企會提高成功藥的價格來彌補失敗藥帶來的損失，所以目前部分藥品價格居高不下。

一些蛋白質分子結構

研究人員要想研發藥物，首先要找到潛在的類藥分子藥物研發進展緩慢的另一個重要原因是現有的類藥分子數量巨大據資料顯示，目前存在的類藥分子多達1016種，遠遠超過了現有分子計算模型的計算極限

為了用如此龐大的數據處理分子，加快藥物開發的進程，麻省理工學院電子工程和計算機科學系一年級學生漢尼斯·斯特爾克開發了一個名為EquBind的幾何深度學習模型EquBind的運行速度是現有最快的分子計算對接模型的1200倍，可以更快地找到類似藥物的分子

第二，EquBind模型可以準確預測蛋白質的結構，提高藥物研發的效率。

目前，分子計算的傳統對接模型大多采用一種叫做配體—蛋白質的方法來尋找類藥物分子具體來說，模型需要先接收大量的樣本分子，然后讓配體與各種分子結合，然后模型對不同的分子進行評分，最后排序選出最合適的分子但是這種方法過程復雜，在模型中尋找類藥分子的效率較低

漢內斯特克對這個過程做了一個形象的比喻他說，以前典型的‘配體—蛋白質’方法就像試圖讓模型將鑰匙插入有許多鑰匙孔的鎖中模型花了很多時間給鑰匙和每個鑰匙孔的適合度打分，然后選出最合適的一個

他繼續解釋道:而EquBind在遇到新分子時，可以跳過最耗時的步驟，提前預測最合適的‘鎖眼’，這就是所謂的‘盲配對’EquBind內置幾何推理算法，可以幫助模型學習分子的基本結構這種算法允許EquBind在遇到新分子時直接預測最合適的位置，而無需花費大量時間嘗試不同的位置并打分

麻省理工學院

3.EquBind模型已經在業內成功應用，筆者期待更多反饋。

這個模型引起了治療公司Relay首席數據官Patwalters的注意建議Walster的Hannestrk研究組利用該模型開發治療肺癌，白血病和胃腸道腫瘤的藥物一般來說，大多數傳統方法很難對接這些領域使用的蛋白質配體，但EquBind可以使它們成功對接

治療肺癌的兩種抑制劑

Walters說，EquBind為蛋白質中的對接問題提供了獨特的解決方案，解決了結構預測和結合位點識別的問題這種方法可以很好地利用成千上萬已發表的晶體結構信息，EquBind可能會以新的方式影響這一領域

結論:人工智能與醫藥行業的適應性很好，發展勢頭正盛。

AI制藥是2020年才進入大眾視野的新興領域。

制藥領域是一個天然的AI場景新藥研發的周期長，成本高，成功率低，給AI留下了巨大的空間:機器可以自主學習和挖掘數據，在專家的經驗之外總結歸納藥物研發規律，進而優化藥物研發過程中的各個環節這樣不僅可以提高藥物研發效率和成功率，還可以降低研發成本和試錯成本

正因為這樣的特點和發展潛力，AI制藥目前正蓄勢待發但也有業內人士表示，AI只是在制藥過程中起到輔助作用它繞不過行業固有的流程和機制，也不可能用兩三年走完十年

但總體來看，目前AI制藥領域仍有新的技術突破，發展蒸蒸日上。