Categories: 博客

AI参与制药的过程分析

我们从整体看一下传统药物研发过程。

首先是确定疾病靶点和机制,再通过药化专家、大量专利和文献调研来完成分子筛选,主要分为两条路:

1、当根据靶点或疾病蛋白质,已找到阳性分子或靶上药物,就可以此为出发点,设计效果更好的新药物,这种项目常被称为Me-better或者Fast-follow。因为有参考分子,专家大概可以参考分子结构设计合成化合物,进行后续试验。

2、另一类项目是first-in-class项目,这类项目往往没有现成可参考分子,需要进行传统高通量筛选,这种高通量筛选通量也只能达到万级别,主要做法是用已有化合物库,用微孔板为载体进行高通量筛选,所以通量不会很大。

药物活性筛选,主要就是判断蛋白质与药物结合能不能起到药效,以及ADMET实验测试结果。这些如果不合格,就需要进行进一步优化,将这一步骤循环往复。

那具体来说,AI主要作用点于哪一方面?

在靶点和疾病研究方面,AI可以基于多组学数据知识图谱,对靶点和疾病机制进行探索;并基于时空维度对蛋白扫描,进行口袋发现

此外,基于NLP技术也可以分析大量专利文献,提取分子结构和性质之间关系,辅助后续药物设计。

根据之前两种药物开发路径,首先对已有参考分子项目,不再通过专家设计分子,而是通过ligand-based的AI分子生成模型生成大量参考分子,即在某个特定性质、形状、化学性质或药效团上类似分子。

其次,就是没有参考分子的first-in-class项目,AI主要进行高通量筛选,进行数量级更高通量的筛选,这往往就是10亿级化合物库。

这里的化合物库可合成性,虽然没有万级别化合物库好,但也符合化合物合成规则。而且,AI还可以用分子生成方法,在分子空间的某一些区域内更密集生成分子。

在生成分子之后,接下里就是筛选, 例如HIT和LEAD活性实验,这个实验并不直接在实验室,而是通过MD和FEP方法进行验证。

后面我们也会用AI进行ADMET模型判别,对分子进行性质判别,如果不太符合要求就要对分子进行进一步优化。

此时我们也可以采用强化学习技术,基于性质判别器和强化学习技术推动分子结构改变。

以上,就是AI企业切入药物研发可供助力的几个角度。

Print this entry

Article info



发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注