在近四万个药学反应数据集上验证——机器学习加速新药研发进程
在近四万个药学反应数据集上验证——机器学习加速新药研发进程
科技日报记者 张梦然
英国剑桥大学和美国辉瑞公司合作开发了一个平台，将自动化实验与人工智能（AI）相结合，以预测化学物质如何相互反应，从而加速新药的设计过程。研究结果发表在最新一期《自然·化学》杂志上。
预测分子如何反应，对于新药的发现和制造至关重要。但从历史上看，这是一个反复试验、经常失败的过程。为了进行预测，化学家需要在模型中模拟电子和原子，这一过程计算成本高昂且通常不准确。
现在，研究人员开发了一种受基因组学启发的数据驱动方法。该方法将自动化实验与机器学习相结合，以了解化学反应性，从而大大加快了新药设计过程。他们称，该方法在超过39000个药学相关反应的数据集上得到了验证。
该方法从数据中挑选出反应物、试剂并测试反应性能之间的相关性。数据则是通过非常快速或高通量的自动化实验生成的。研究人员表示，高通量化学已经改变了游戏规则。他们相信有一种新方法，可促进对化学反应的更深入的理解，而不是从高通量实验的初始结果中观察到。此次开发的这种机器学习方法，就能允许化学家调整复杂的分子，再精确引入到分子的预先指定区域，从而加快药物设计速度。
机器学习以往在化学中的应用经常受到限制。与广阔的化学空间相比，其数据量实在太小。但此次研究通过“传授”给模型一般化学知识，然后对其进行微调，预测复杂的化学转化，从而克服了低数据的局限性。
论文第一作者、剑桥大学卡文迪许实验室的艾玛·金-史密斯表示，这一成果可能会改变人们对有机化学的看法。对化学的更深入理解，亦可促使人们更快速制造药品和许多其他有用的化学品。
总编辑圈点
高通量技术是利用高度自动化的系统，对大量样品进行快速检测和分析。在节省人力和时间的同时，能提高分析的准确性。不过，科研人员不满足于仅使用高通量技术，还加上了人工智能这一“利器”。他们引入机器学习方法，预测复杂的化学反应是如何进行的，以加快药物设计速度。新药研发通常是一个漫长且充满挫折的过程，犹如大海捞针。新技术则给了研发者一张“地图”，指出了可能藏有“宝藏”的具体区域，从而加速了研发进程。
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有。如因无法联系到作者侵犯到您的权益，请与本网站联系，我们将采取适当措施。