為了突破這一瓶頸，業內諸多創新者在近年來不斷嘗試各種技術，而人工智慧就是他們的選擇之一：通過快速尋找到具有成藥潛力的分子，人工智慧有望加速新藥發現的程式，並減少所需的成本。但美好的願景之下，我們也不得不承認，由人工智慧進行設計，且能夠在實驗中證實自身潛力的分子，還非常少見。
▲藥明康德AI相關閱讀：人工智慧遇上新藥研發，它能給醫藥行業帶來什麼？這正是本篇論文的一大亮點所在。在研究中，科學家們首先將DDR1設為目標靶點。這是一種在上皮細胞中表達的酪氨酸激酶，參與到了組織纖維化（fibrosis）的程式之中。為了尋找到潛在的DDR1抑制劑，研究人員們開發了一種機器學習演算法，用於設計新藥分子。
▲本研究的演算法示意圖（圖片來源：參考資料[1]）
在對資料庫進行優化之後，研究人員們使用了強化學習的方法，初步得到了大約3萬個不同的結構。隨後，他們又根據反應基團與化學空間等指標，對所得到的結構做了進一步的篩選。完成這些潛在新藥分子的篩選時，距離最初確認DDR1為目標靶點，僅僅過去了21天！
▲對候選分子進行藥代動力學分析和作用機理探索（圖片來源：參考資料[1]）體外實驗結果表明，其中的2個化合物對於DDR1具有很高的抑制性。在細胞系中，這兩個化合物同樣展現了可喜的DDR1抑制能力，且能有效降低與纖維化程式有關的標誌物。最後，研究人員們選擇1號化合物進行動物實驗。結果表明，無論是通過靜脈注射，還是通過口服，它的藥代動力學特性均令人滿意。
值得一提的是，在人工智慧技術與研發人員的協同下，在選定靶點的46天後，新篩選出的分子就完成了初步的生物學驗證。此外，科學家們也決定公開該演算法的原始碼，供產業更多研發人員使用。
▲選定靶點的46天后，新篩選出的分子就完成了初步的生物學驗證（圖片來源：參考資料[1]）在論文的最後，研究人員們也指出，在邁入臨床試驗之前，由人工智慧設計出的分子還有進一步優化的空間。但考慮到新藥研發週期之漫長，能在早期新藥發現過程中縮短時間，已是一個喜人的進步。我們也期待在人工智慧的助力下，未來能夠更多新藥的研發得到加速，最終造福全球病患！本文題圖來自Pixabay。
參考資料：
[1] Alex Zhavoronkov et al., (2019), Deep learning enables rapid identification of potent DDR1 kinase inhibitors, Nature Biotechnology, DOI: https://doi.org/10.1038/s41587-019-0224-x