研究人员通过机器学习更快地发现药物

药物只有在体内与靶蛋白粘附才能发挥作用。评价粘度是药物发现和筛选过程中的一个关键障碍。化学和机器学习相结合的新研究可以减少这种障碍。

一项名为DeepBAR的新技术可以快速计算候选药物与其靶点之间的结合亲和力。与最新方法相比，该方法可以在短时间内生成准确的计算结果。研究人员表示，DeepBAR有朝一日可以加快药物发现和蛋白质项目的步伐。

“我们的方法比以前快了几个数量级，这意味着我们可以找到既高效又可靠的药物，”麻省理工学院广泛研究学院副教授、辉瑞-劳巴赫化学职业发展教授张斌说。并且是一篇描述这项技术的新论文的合著者。

这项研究今天发表在《物理化学快报》上。这项研究的主要作者是丁，麻省理工学院化学系博士后。

药物和靶蛋白之间的亲和力是通过一个叫做结合自由能的量来衡量的——这个量越小，结合粘度就越大。张说：“较低的结合自由能意味着药物可以更好地与其他分子竞争，这意味着它可以更有效地破坏蛋白质的正常功能。”计算候选药物的结合自由能提供了药物潜在疗效的指标。但很难确定。

计算结合自由能的方法有两种，每种方法都有各自的缺点。一节课可以精确计算数量，从而消耗大量的时间和计算机资源。第二类的计算成本较低，但只能产生结合自由能的近似值。张和丁设计了一种两全其美的方法。

准确高效

DeepBAR可以精确计算结合自由能，但只需要以前方法所需计算的一小部分。新技术将传统的化学计算与机器学习的最新进展相结合。

DeepBAR中的“BAR”一词代表“Bennett接受率”，是几十年来用于精确计算结合自由能的算法。Bennet的接受率通常需要知道两个“终点”状态(例如，药物分子与蛋白质结合，药物分子与蛋白质完全分离)和许多中间状态(例如，不同水平的部分结合)，所有这些都降低了计算速度。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！