人工智能加速新药开发新进展—剑桥大学和辉瑞公司的合作成果

在一个人工智能（AI）正在重塑行业的时代，剑桥大学和辉瑞公司之间的合作脱颖而出，标志着药物发现的一个重要里程碑。他们创造的“Reactome”平台，不仅仅是一个技术奇迹；它是寻求高效制药开发的新方式。

药物发现的传统挑战

传统上，药物发现是一项复杂、耗时的努力，被试错方法所吞噬。预测分子的反应对新药研制至关重要，长期以来一直受到计算效率低下的于影响，结果也不尽人意。这就是Reactome带来变革的地方。

Reactome方法：数据驱动的革命

Reactome引入了一种数据驱动的方法，将自动化实验与机器学习相结合，这是传统实践的飞跃。这项创新的关键在于其专注于后期功能化（ late-stage functionalizations, LSF）——改变药物分子以提高其功效的关键过程。

MPNN和碳13核磁共振光谱的创新集成

Reactome的核心是消息传递神经网络（ Message Passing Neural Network，MPNN）与来自碳13核磁共振光谱数据（13C NMR spectroscopy data）的传输学习（transfer learning）的集成。这种组合是开创性的；MPNN熟练地处理分子的复杂、图形状结构，有效地在原子之间“传递信息”以预测反应。选择从碳13核磁共振数据中纳入转移学习是战略性的和聪明的——它利用了核磁共振数据中关于分子内的局部化学环境的丰富信息，从而丰富了人工智能模型的学习基础。

为什么是这种方法？

这种新颖方法背后的理由是双重的。首先，预测LSF结果的传统数据匮乏使人工智能驱动的模型效率较低。通过对丰富且信息丰富的碳13核磁共振数据进行模型的预训练，研究人员赋予了它对分子行为的基本理解。其次，这种预训练有助于模型更有效地适应LSF预测的特定细微差别，提高其准确性和可靠性。

Reactome平台提供了几个引人注目的优势

- 增强的预测准确性：通过更有效地理解复杂的分子相互作用，该模型可以更准确地预测药物反应。

- 药物开发效率：这种准确性转化为更快、更有效的药物开发，减少了与传统方法相关的时间和成本。

- 可扩展性和适应性：人工智能模型从大量数据中学习的能力使其能够适应各种药物开发场景。

合作创新的新时代

这一举措是医学领域人工智能增长趋势的突出例子，与DeepMind和Atomwise等行业巨头的努力保持一致。学术机构也是重要的贡献者，斯坦福大学和麻省理工学院等研究机构都在积极推动许多以人工智能为中心的生物医学或者药物研发项目。

Reactome项目象征着人工智能在彻底改变药物发现方面的潜力。它展示了如何结合不同领域——在这种情况下，人工智能和核磁共振光谱学——可以解决制药研究中长期存在的挑战。随着我们的进步，这种跨学科方法将成为常态，更多的创新可能会在技术和医学的交叉点出现。

展望未来

Reactome平台不仅仅是一项技术创新；它是我们如何创造拯救生命的药物的范式转变。通过人工智能和数据分析的力量克服传统的局限性，它为制药领域开辟了新的道路，预示着一个未来，即药物开发不仅更快、更高效，而且更适应人类健康的复杂现实。

知兼将持续关注有关人工智能/机器学习如何重塑制药行业的新闻和动态。