人工智能帮助药物发现

药物-靶标相互作用是药物发现中的一个突出研究领域，是指识别化合物与蛋白质靶标之间的相互作用。化学家估计可以制造1060种具有类似药物特性的化合物——这比太阳系中的原子总数还多，正如2017年《自然》杂志上的一篇文章报道的那样。

药物开发平均需要大约14年的时间，成本高达15亿美元。在这个巨大“星系”的药物发现之旅中，很明显，传统的DTI检测生物实验通常既昂贵又耗时。

侯廷军教授是浙江大学药学院计算机辅助药物设计(CADD)专家。在过去的几十年里，他一直致力于利用计算机技术开发药物。“最大的挑战在于未知靶点和药物分子之间的相互作用。我们如何更有效地发现它们?这涉及方法上的新突破。”

最近，人工智能(AI)开辟了新的可能性。“有了人工智能，我们或许可以在药物发现上达到更上游的阶段，从而提高药物开发的效率和成功率，”侯说。

除了人工智能，基因组学、蛋白质组学、药理学等多组学数据也蓬勃发展。在每个领域，都存在着巨大的生物医学信息海洋。有关药物、蛋白质、疾病、副作用、生物过程、分子功能、细胞成分、生物酶和离子通道的信息已存储在专门的数据库中。然而，它们对药物发现的价值仍然模糊不清。

何世波教授是浙江大学控制科学与工程学院大数据与网络科学专业学者。“这个领域特别适合跨学科研究。这一相当大的生物信息体可以抽象成一个多层和异构的网络系统，”何说。

2021年11月，中南大学侯廷军、何世波、曹东升在《自然通讯》杂志上共同发表了题为“基于知识图谱和推荐系统的统一药物-靶点相互作用预测框架”的研究论文。

在这项研究中，研究人员提出了一个统一的框架，称为KGE_NFM(知识图嵌入和神经分解机)，通过结合KGE和推荐系统技术进行药物靶点相互作用(DTI)预测，适用于药物发现的各种场景，特别是当遇到新的蛋白质靶点。

研究人员在三个真实场景中评估了KGE_NFM：热启动、药物冷启动和蛋白质冷启动。在前两种场景中，AI算法与传统算法不相上下，有时甚至略逊于后者。在第三种情况下，KGE_NFM比竞争对手高出30%。

“这证明了人工智能在预测未知蛋白质靶标方面的卓越能力和优越性。从‘未知蛋白质靶标’中发现‘未知药物-靶标相互作用’是未来药物发现中不可否认的重要任务，”侯说。

“我们可以使用人工智能进行复杂的异构网络挖掘，做很多有趣的事情，”何说。例如，该团队目前正在与腾讯实验室合作，开展乙肝药物虚拟筛选和药物协同的研究。“使用KGE不仅可以扩展信息维度，还可以提升算法系统的可解释性和可信度。”