商讯：高通量筛选-挖掘​小分子药物研发

人工智能可以观察大量现有数据，学习人类无法识别的微妙或复杂模式，然后，预测具有理想性质的新小分子，将计算筛选过程提升到新高度。Exscientia 的CEO Andrew Hopkins表示，人工智能提供了比传统过程能力更强大的化学空间搜索能力。“你不可能通过大范围的高通量筛选获得这些分子的。这不是在稻草堆里寻找一根针，而是在整个农场里找一根针。相比传统的蛮力筛选方法，这只有通过人工智能算法拥有的规模和搜索空间才能做到，会有新型小分子陆续被发现。

知识图谱，机器学习将不同来源的大量数据汇集在一起，其中一些数据来自使用自然语言处理挖掘的文献，一些来自化学或药理实验，一些来自基因研究。知识图谱使计算机能够寻找不同类别数据之间的联系并以图表的形式展示出来，从而产生单组实验无法得出的见解。

表1 | 近期部分将人工智能应用于药物发现的公司的融资

Recursion制药也使用一系列机器人对数百万细胞样本进行药物、基因干扰处理，并对其染色和成像。接着，通过机器学习算法寻找不同处理和细胞的形态学特点间的关系。Recursion制药首席执行官Chris Gibson告诉《自然综述：药物发现》（Nature Reviews Drug Discovery），除筛选目标外，该公司创建的经过精细处理的图像数据也可以用于药物发现中的一系列问题，包括靶标识别、靶标去卷积、文库富集、先导物优化和毒性测试（Nat. Rev. Drug Discov. 18, 653–655; 2019）。

表2 | 近期部分专注于将人工智能应用于药物发现公司的交易

用计算方法设计小分子药物至少可以追溯到1970年前后，当时研究重点在于理解分子的结构特点与其生物学活动之间的关系，从而协助发现新候选药物。如今，多种计算方法被用来在大量的已知化合物虚拟库中筛选，寻找那些可能与新发现的靶点相匹配的化合物，以便在实验分析中进行测试。而且实际上，发现小分子药物是许多公司将人工智能应用于制药问题的重点。

文献链接：https://doi.org/10.1038/d43747-021-00045-7

原文链接：https://mp.weixin.qq.com/s/wAYYzWBBCEdONfpllU2ZWw

本文节选自”Nature Portfolio“微信公众号。