一個更智能的方式來簡化藥物發現
MIT研究人員開發了一種新的算法框架，可以自動識別最佳的分子，以便更高效地進行藥物發現。
使用AI來簡化藥物發現的方式正在迅速發展。研究人員部署機器學習模型來幫助他們在數以億計的選項中識別出具有他們所尋求的特性的新藥物分子。
但要考慮的變量太多——從材料成本到出錯的風險——即使科學家使用AI，權衡合成最佳候選藥物的成本也不是一件容易的事。
識別最佳且最具成本效益的分子進行測試所涉及的眾多挑戰，是新藥物開發時間長的重要原因之一，也是處方藥價格高的主要驅動因素。
為了幫助科學家做出成本意識的選擇，麻省理工學院的研究人員開發了一種算法框架，可以自動識別最佳的分子候選者，該框架能夠在最大化候選者具有所需特性的同時，最小化合成成本。該算法還能識別合成這些分子所需的材料和實驗步驟。
他們的量化框架，被稱為合成規劃和基於獎勵的路徑優化工作流程（SPARROW），考慮到一次合成一批分子的成本，因為多個候選者通常可以從一些相同的化學化合物中衍生出來。
此外，這種統一的方法從在線存儲庫和廣泛使用的AI工具中捕獲了有關分子設計、特性預測和合成規劃的關鍵信息。
除了幫助製藥公司更高效地發現新藥物外，SPARROW還可以用於新農藥的發明或有機電子材料的發現等應用。
「目前化合物的選擇非常像是一門藝術——有時這是一門非常成功的藝術。但因為我們有所有這些其他模型和預測工具，這些工具給我們提供了關於分子可能表現如何以及它們可能如何合成的信息，我們可以並且應該使用這些信息來指導我們的決策。」麻省理工學院化學工程系和電氣工程與計算機科學系的1957級職業發展助理教授，也是SPARROW論文的資深作者康納·科利（Connor Coley）說。
科利與該論文的主要作者、2024年碩士畢業生珍娜·弗羅默（Jenna Fromer）一起合作。這項研究今天發表在《自然計算科學》上。
複雜的成本考量
在某種意義上，一位科學家是否應該合成並測試某種分子歸結為合成成本與實驗價值的問題。然而，確定成本或價值本身就是一個艱難的問題。
例如，一個實驗可能需要昂貴的材料，或者可能有很高的失敗風險。在價值方面，可能需要考慮了解此分子特性的實用性，或者這些預測是否具有很高的不確定性。
同時，製藥公司越來越多地使用批量合成來提高效率。與其一次測試一個分子，他們使用化學構建塊的組合來一次測試多個候選者。然而，這意味著所有化學反應都必須要求相同的實驗條件。這使得估算成本和價值更加具有挑戰性。
SPARROW通過考慮合成分子過程中涉及的共享中間化合物，並將這些信息納入其成本與價值函數，來應對這一挑戰。
「當你考慮設計一批分子的優化過程時，添加新結構的成本取決於你已經選擇的分子，」科利說。
該框架還考慮到起始材料的成本、每條合成路徑所涉及的反應數量以及這些反應首次成功的可能性。
要使用SPARROW，科學家需要提供一組他們考慮測試的分子化合物和他們希望找到的特性的定義。
從那裡開始，SPARROW收集有關分子及其合成途徑的信息，然後權衡每個分子的價值與合成一批候選者的成本。它自動選擇符合用戶標準的最佳候選子集，並找到這些化合物最具成本效益的合成路徑。
「它在一步驟中完成所有這些優化，因此它可以真正同時捕獲所有這些競爭目標，」弗羅默說。
多功能框架
SPARROW的獨特之處在於它可以納入由人類手工設計的分子結構、虛擬目錄中存在的分子結構或由生成性AI模型創造的前所未見的分子。
「我們有所有這些不同的想法來源。SPARROW的部分吸引力在於你可以將所有這些想法放在一個公平的競技場上，」科利補充道。
研究人員通過將SPARROW應用於三個案例研究來評估其效果。這些案例研究基於化學家面臨的現實問題，旨在測試SPARROW在處理廣泛輸入分子的同時找到成本效益合成計劃的能力。
他們發現SPARROW有效地捕捉了批量合成的邊際成本，並識別了常見的實驗步驟和中間化學物質。此外，它還可以擴展到處理數百個潛在的分子候選者。
「在化學機器學習社區中，有許多模型在逆合成或分子特性預測方面表現良好，但我們如何實際使用它們？我們的框架旨在帶出這些先前工作的價值。通過創建SPARROW，希望我們可以指導其他研究人員使用自己的成本和效用函數來考慮化合物的篩選，」弗羅默說。
未來，研究人員希望在SPARROW中加入更多的複雜性。例如，他們希望使算法能夠考慮測試某一化合物的價值可能並不總是恆定的。他們還希望在其成本與價值函數中包括更多的並行化學元素。
「弗羅默和科利的工作更好地將算法決策與化學合成的實際情況對齊。當使用現有的計算設計算法時，如何最佳合成設計的工作留給了藥物化學家，這導致了不太優化的選擇和額外的工作，」來自Relay Therapeutics的人工智能高級副總裁帕特里克·萊利（Patrick Riley）說，他沒有參與這項研究。「這篇論文展示了一條有原則的路徑，將聯合合成的考慮納入其中，我預計這將導致更高質量和更被接受的算法設計。」
「以一種仔細平衡時間、成本和達成目標的潛力，同時提供有用的新信息的方式識別要合成的化合物，這是藥物發現團隊最具挑戰性的任務之一。弗羅默和科利的SPARROW方法以一種有效和自動化的方式做到這一點，為人類藥物化學團隊提供了一個有用的工具，並向完全自主的藥物發現方法邁出了重要步伐，」紀念斯隆-凱特琳癌症中心的計算化學家約翰·喬德拉（John Chodera）補充說，他也沒有參與這項工作。
這項研究部分得到了DARPA加速分子發現計劃、海軍研究辦公室和國家科學基金會的支持。
—
評論：
這篇文章介紹了MIT開發的SPARROW算法，這是一個將AI與藥物發現流程相結合的框架，旨在提高化學合成的效率並降低成本。作為一種全新的工具，SPARROW對於製藥行業以及其他需要新材料發現的領域都具有重要意義。
SPARROW的核心價值在於能夠同時考慮多個變量，這在傳統方法中常常是耗時且複雜的過程。這種自動化的流程不僅能夠減少人為錯誤，還能提高整體效率，從而可能大幅縮短新藥物的開發時間。
然而，這種技術的應用也帶來了一些挑戰。首先，如何確保算法的準確性和可靠性是關鍵。其次，SPARROW的使用需要大量的數據支持，這意味著需要建立一個強大的數據庫系統。此外，對於那些不熟悉AI技術的化學家和研究人員來說，學習和適應這種新工具也可能需要時間。
總的來說，SPARROW展示了AI在科學研究中的巨大潛力。未來，隨著技術的進一步發展和完善，我們可以期待更多這樣的創新工具出現，從而推動科學研究和技術發展邁向新的高峰。
以上文章由特價GPT API KEY所翻譯
