AI 深度学习+药物研发，让新药不再遥不可及，轻松 Get！| MedChemExpress (MC

深度学习是人工智能的一个分支，它是一种利用神经网络进行学习的技术。深度学习技术在生物医学领域已经取得重要进展，目前研究人员已经开发了一系列基于深度学习的疾病诊断、蛋白质设计、医学图像识别的应用策略。制药工业界目前也开始重视深度学习技术，希望利用其加速药物研发并降低成本。

此前的研究表明，深度学习技术在优化化学合成路线、预测药物的药代动力学性质、预测药物的作用靶点以及生成新型分子等方面具有优势。

图 1. 虚拟筛选在药物开发流程中的地位^[1]。

Yelena Guttman 等人基于 DeepChem 框架，构建了一个 CYP3A4 抑制剂预测模型。先基于 lipinski 五原则对库中化合物进行排除，再基于此模型对 FOODB 库中 68,900 个化合物进行 CYP3A4 抑制活性预测，顺利得到了两种新的 CYP3A4 抑制剂。

图 2. 基于 DeepChem 的 CYP3A4 抑制剂预测^[2]。

在 KNIME 分析平台 4.0.314 中创建了一个工作流来准备和分析虚拟筛选。

Liu 等人利用定向消息传递网络 (directed message passing neural networks, D-MPNN，又称 Chemprop) 对 FOODB 库中化合物进行了 Nrf2 激动活性预测及毒性分析，顺利得到了Nicotiflorin这一兼具 Nrf2 激动活性和安全性的药物，并且在体内外实验中得到了验证[3]。

近年来，人们已经看到人工智能 (AI) 开始为化学合成带来革命性的变化。然而，由于缺乏合适的化学反应表示方式和反应数据的稀缺性，限制了人工智能在反应预测中的广泛应用。深度学习可以通过对大量的化学合成数据进行训练和学习，自动识别和提取合成路线的特征和模式，用来预测新的合成路线的效率和选择性，从而加速新药的开发和生产。

图 4. 深度学习在预测化学反应合成路线上的应用^[4]。

Schwaller 等人结合了深度学习网络和符号人工智能来规划化学合成路线。他们开发了一个名为“MoleculeNet”的框架，该框架能够预测反应是否可能成功，并使用这些预测来规划出从起始原料到目标分子的合成路径[5]。

深度学习在虚拟筛选领域中的应用，主要是通过神经网络来预测化合物的活性或性质，从而在虚拟环境中筛选出有潜力的候选药物或材料。

以下是一些常见的深度学习算法在虚拟筛选中的应用：

卷积神经网络 (CNN)：CNN 特别适合处理图像数据，如分子结构图。通过识别和提取分子中的特征，如原子和化学键的类型和位置，CNN 可以预测分子的性质和活性。

循环神经网络 (RNN)：对于处理序列数据 (如化学分子序列) 的虚拟筛选任务，RNN 特别有用。RNN 可以捕捉分子序列中的长期依赖关系，从而更准确地预测分子的性质。

生成对抗网络 (GAN)：GAN 可以生成新的分子结构，这在进行虚拟筛选时非常有用。通过训练 GAN，可以生成具有所需性质的分子，从而大大减少实验的必要性。

图神经网络 (GNN)：GNN 特别适合处理图结构数据，如分子图。GNN 可以捕捉分子中原子和化学键之间的关系，从而更准确地预测分子的性质。

今天，小 M 给大家介绍了深度学习在药物研发领域的应用方向及常见算法，作为一种新兴的技术，AI / 深度学习技术在新药研发领域已初见成效，相信随着科学的进步，AI 助力药物筛选一定会在生物医药领域有着更加深远的影响。

[1] Rifaioglu AS, et al. Recent applications of deep learning and machine intelligence on in silico drug discovery: methods, tools and databases. Brief Bioinform. 2019 Sep ;20(5):1878-1912.

[2] Guttman Y, Kerem Z. Dietary Inhibitors of CYP3A4 Are Revealed Using Virtual Screening by Using a New Deep-Learning Classifier. J Agric Food Chem. 2022 Mar ;70(8):2752-2761.

[3] Liu S, et al. Virtual Screening of Nrf2 Dietary-Derived Agonists and Safety by a New Deep-Learning Model and Verified In Vitro and In Vivo. J Agric Food Chem. 2023 May ;71(21):8038-8049.

[4] Li B, et al. A deep learning framework for accurate reaction prediction and its application on high-throughput experimentation data. J Cheminform. 2023 Aug;15(1):72.

[5] Segler MHS, et al. Planning chemical syntheses with deep neural networks and symbolic AI. Nature. 2018 Mar ;555(7698):604-610.