深度学习模型筛查新药快千倍

　　据美国麻省理工学院（MIT）官网12日报道，该校科学家开发出一款名为EquiBind的几何深度学习模型，其将类药物分子与蛋白配对的效率比现有最快的计算分子配对模型QuickVina2-W快1200倍。相关研究已经提交预印本服务器，并将提交给国际机器学习大会。

　　在药物开发之前，研究人员必须找到有潜力的类药物分子，这些分子可以与某些蛋白质靶点正确结合或“对接”——这一过程被称为药物发现。类药物分子（配体）成功与蛋白质对接后，可以阻止蛋白质发挥功能。如果蛋白质是细菌的一种必需蛋白质，配体就可以杀死细菌，从而保护人体。

　　目前寻找潜在药物候选分子的计算过程大致如下：大多数最先进的计算模型依赖繁重的候选采样，以及评分、排序和微调等方法，从而让配体和蛋白质之间实现最佳“匹配”。

　　最新研究主要作者、MIT电气工程和计算机科学系研究生汉尼斯·斯塔克表示，上述传统的配体—蛋白质结合方法就像“尝试将钥匙插入有许多锁孔的锁中”。这种方法需要花费大量时间对每个“锁孔”进行尝试，才能找到最佳匹配。相反，EquiBind仅需一个步骤就可以直接精准预测配体与蛋白质配对的精确位置，这是因为其拥有内置的几何推理能力，可以帮助模型了解并学习分子的基本情况，在遇到新的数据时能够进行概括，以做出更好的预测。

　　该研究引起了专业人士的兴趣。接力医疗公司首席数据官帕特·沃尔特斯建议其团队在现有的一种用于肺癌、白血病和胃肠道肿瘤的药物和蛋白质上尝试这一最新模型，结果EquiBind取得了成功——而大多数传统的配对方法无法让蛋白和配体成功配对。

　　沃尔特斯说，EquiBind为配对问题提供了一种独特的解决方案，它结合了姿态估计和结合位点识别。这种方法利用了数千种公开可用的晶体结构的信息，可能对药物开发领域产生新的影响。