能以千倍之速度找到潜在药物分子的AI模型
https://bit.ly/3BlJuDM
麻省理工学院的研究人员开发了一种名为EquiBind的几何深度学习模型，比现有称为
QuickVina2-W的计算分子嵌合模型(computational molecular docking models)快了
1,200倍的速度，成功的将类药物的分子及蛋白质结合。
EquiBind是EquiDock的改良版，在药物开发之前，研究人员需要找出类药物分子并且正确
的与特定蛋白质标的綑绑及“对接”在一起。在成功与蛋白质对接后，与药物形成配位体
(ligand)，可以阻止蛋白质发挥作用。若这个现象发生在细菌的必需蛋白质(essential
protein)上，则可以杀死细菌进而保护人体。
然而药物的发现(drug discovery)过程在财务或是计算上的成本都很高，每次药物发现的
过程都需要投入数十亿美元，并在FDA最终批准前进行了数十年的开发及测试。并且有高
达90%的药物在进行到人体试验阶段中由于没有任何效果或是太多副作用而失败。制药公
司会透过提高开发成功药物的价格来回收这些失败的成本。
目前找出潜在药物候选分子计算过程的最先进计算模型依赖于大量结合评分、排名及微调
的候选本样本，以获得最佳蛋白质及配体的配适。透过EquiBind的模型，只需要一步就能
直接预测精准的关键位置，而无需事先了解蛋白质标的，即为“盲对接(blind docking)
”。
有别于大多数需要多次尝试才能在蛋白质中的配体找到有利位置的模型，EquiBind已经内
建几何推理(geometric reasoning)功能，可以帮助模型学习分子基本的物理特性，并成
功地广泛对新的或未曾见过的资料进行更好的预测。
这个发现目前已经引起Relay Therapeutics的首席数据长使用该模型来进行现有用于肺癌
、白血病及肠胃道肿瘤的药物及蛋白质的模型测试，发现EquiBind比起过去传统的对接方
法更成功。目前研究团队致力于了解企业专业的使用回馈，来进一步改善该模型。
该研究由Pharmaceutical Discovery and Synthesis财团、Jameel诊所、DTRA
Discovery of Medical Countermeasures Against New and Emerging threats计画、
DARPA Accelerated Molecular Discovery计画、MIT-Takeda奖学金及NSF Expeditions
grant Collaborative Research: Understanding the World Through Code资助，并发表
在ICML研讨会上。