此外,AI有助于找到具有与天然物质相同的分子,但更容易制造。这为巨大的可能性开辟了巨大的可能性药物发现这也有可能改写药物研究的规则手册。
自然界有丰富的药用资源。苏黎世联邦理工学院计算机辅助药物设计教授吉斯伯特·施耐德说:“今天,超过50%的药物都是受到自然的启发。”然而,他相信我们仅仅挖掘了天然产品潜力的一小部分。他和他的团队成功地演示了如何用人工智能方法有针对性地寻找天然产品的新药物应用。此外,人工智能方法能够帮助找到这些化合物的替代品,这些替代品具有相同的效果,但更容易,因此生产成本更低。
天然物质的靶分子
因此,Eth研究人员正在为重要医学推进铺平道路:我们目前只有约4,000个基本不同药物在总。相比之下,人类蛋白质的数量估计高达40万种,每一种都可能成为药物的靶点。施耐德在寻找新的药物制剂时,将重点放在自然上,这是有充分理由的。“根据定义,大多数天然产物都是通过进化机制选择出来的潜在活性成分,”他说。
过去,科学家们在寻找新药的过程中,会搜集大量的天然产物,而施耐德和他的团队则颠覆了这一模式:首先,他们会寻找天然产物中可能的目标分子(通常是蛋白质),以便识别与药理学相关的化合物。施耐德说:“与传统的筛选方法相比,使用这种方法发现有医学意义的活性成分和目标蛋白对的机会要大得多。”
用细菌分子测试
Eth化学家用Marinopyrole A测试了它们的概念,已知具有抗生素,抗炎和抗癌性质的细菌分子。然而,在天然物质中的人体中的蛋白质与产生这些效果有限的研究。
为了找到marinop吡咯A可能的目标蛋白,研究人员使用了一种算法他们开发了自己。采用机器学习模型,算法将Marinopyrole A的药理学上有趣的部分与已知其结合的靶蛋白的相应模式进行了相应的已知药物。基于模式匹配,研究人员能够识别八种人类受体和细菌分子可结合的酶。这些受体和酶在其他方面涉及炎症和疼痛过程和免疫系统。
实验室实验证实,Marinopyrole A实际上确实产生与大多数预测蛋白质的可测量的相互作用。“我们的AI方法能够缩小自然产品的蛋白质目标,可靠性通常超过50%,这简化了对新的药学活性剂的搜索,”施奈德说。
创造一个便宜的替代品
但施耐德研究小组的工作尚未结束。如果关于Marinopyrole A的靶蛋白的发现是将来导致有用的治疗方法,有必要找到一种易于制造的分子。毕竟,Marinopyrrole A - 类似许多其他天然物质 - 具有相对复杂的结构,使实验室合成耗时和昂贵。
为了寻找具有同样效果的更简单的化合物,ETH的研究人员使用了他们自己设计的另一种算法。这个人工智能程序的任务是成为一个“虚拟化学家”,寻找具有与自然模型相似的化学功能的分子,尽管其结构不同。根据算法的约束条件,它还必须能够在最多三个合成步骤中制造分子,以确保容易、低成本的生产。
具有同样效果的新化学结构
为了确定合成路径,该软件获得了超过200种起始材料、25,000种可购买的化学构件和58种已建立的反应方案的目录。在每个反应步骤之后,选择程序作为开始材料对于下一步,在功能方面匹配marinopyrrole A的变体最接近。
总共有算法发现802个合适的分子,基于334个不同的支架。研究人员在实验室中合成了最好的四个,并发现它们实际上表现得非常类似于天然模型。它们对算法鉴定的八个靶蛋白中的七种具有相当的影响。
随后,研究人员详细研究了最有希望的分子。X射线结构分析表明,作为该酶的已知抑制剂的方式,所产生的化合物与靶蛋白的活性中心结合。尽管结构不同,但是,AI发现的分子使用相同的机制。
对药学研究的影响
”我们的工作证明可以使用人工智能算法有针对性地设计有效成分与天然物质一样的效果,但随着简单的结构,”施耐德说,并补充道:“这不仅有助于生产新药,但也的地方我们的尖端medical-chemical研究潜在的根本性的改变。”也就是说,ETH研究小组的方法使得找到与现有药物具有相同功能但基于不同结构的药物成为可能。这使得未来设计新的非专利分子结构更加容易。目前,关于人工智能可以在多大程度上系统性地规避专利保护,以及“创造性”人工智能设计的分子可能获得专利,存在着激烈的争论。无论如何,制药业将不得不调整其研究方法以适应新的规则手册。
来源:eth苏黎世