医疗AI: AI大模型在药物靶点识别中的应用随着2006年DeepLearning算法的提出,人工智能(AI)的发展进入了第三次浪潮。DeepLearning凭借自身优秀的信息表征及关系提...

贴文 1个月前
770 0

医疗AI: AI大模型在药物靶点识别中的应用

随着2006年DeepLearning算法的提出,人工智能(AI)的发展进入了第三次浪潮。DeepLearning凭借自身优秀的信息表征及关系提取能力,已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突破性的进展。现在,AI的魔力已经被逐步引入药物研发的领域,并正在深刻地改变这个领域的研究和发展流程。无论是在早期的药物筛选、药物优化,还是在药物的临床试验和后期的上市监控,AI的应用都愈发广泛。

本文将简要的概括药物研发的流程,并深入探讨AI在药物研发的第一步: 靶点发现中的作用,以及它如何为这个过程带来革新。

药物研发的整体流程

药物的研发是一个复杂且耗时的过程,业内一直流传着”三十定律”的说法: 耗时10年,耗资10亿美金,成功率不足10%。因此,如何降低药物研发的金钱成本、时间成本,提高成功率已然成为了药物研发行业的重中之重。

通常而言,药物的研发包括以下步骤: 靶点发现,候选药物筛选,候选药物优化,临床前研究,临床实验,以及市场化等步骤 [1]。靶点发现作为整个流程的第一步,是新药研发中决定成败的一步,成功的靶点识别可以为后续的药物设计提供方向。不仅能提高新药的研发效率,也能极大地改善患者治疗期间的生活质量。

药物研发生产流程,图片引自[1]

在AI的第三次浪潮之前,靶点的识别通常依赖多组学实验方法或者计算机辅助药物设计的方法。多组学方法主要通过对病例组和对照组进行基因组、蛋白质组等组学数据差异性比较,提取出可能致病的基因或蛋白靶点。这一方法通常有着较高的准确性,但整体策略既费时又费力,且实验结果严重受到生物样本质量的限制。

计算机辅助的方法主要包括反向对接,结构相似性分析等。这些计算技术能够一定程度上加速靶点的筛选速度,但同样存在自身的局限性。如反向对接需要在大量的蛋白质目标中进行对接,这会极大的消耗计算资源和时间。结构相似性分析则非常依赖已知的蛋白结构,对结构未知的蛋白无从下手。

随着AI技术的发展,越来越多的问题在AI的帮助下得到了改善。如大语言模型可以整合海量的医疗研究相关文本,通过在文本中提取潜在的关联信息,发现人类可能忽视的模式或连接。目前已有研究通过向大语言模型提问的方式,提取出针对特定疾病的潜在靶点,从而避免一些不必要的组学实验。此外,AI模型完成训练之后,可以将类似反向对接技术的时间复杂度降低到线性级别,甚至提高精度。AI也可以进行蛋白质结构的预测,从而帮助结构相似性分析等技术的实现。

基于上述所提的AI在靶点发现中的应用,本文将依据近期的AI医疗相关论文,为大家介绍AI在药物靶点发现中的两个应用: 驱动新颖靶点的发现,预测蛋白质结构。并将为大家介绍这些方法的技术细节以及局限性 网页链接

暂无评论

暂无评论...