机器学习加速药物发现

在一项开创性的研究工作中，芬兰东部大学的科学家们解锁了药物发现的新时代，充分利用了机器学习的潜力。通过与行业专家的战略合作以及超级计算机的计算能力，这次合作取得了显著成果，大大缩短了虚拟药物筛选所需的时间。

本文全面深入介绍了这一开创性方法，强调了其对制药行业和更广泛科学界的影响。

开创性的虚拟筛选

虚拟筛选是追求新型药物化合物的关键阶段，由于整合了机器学习，这一领域发生了巨大的转变。研究人员依靠快速的计算机辅助技术来筛选庞大的化合物库，寻找针对特定药物相关实体的潜在药物。

然而，这些库规模的爆炸性增长甚至超出了最先进超级计算机的能力。因此，针对单一药物靶点对十亿级化合物库进行筛选可能需要数月甚至数年的时间，给行业带来了巨大的挑战。

里程碑式的研究

在《化学信息与建模杂志》最近发表的一篇论文中，芬兰东部大学药学院的Ina Pöhner博士及其受人尊敬的同事们。在与芬兰顶级超级计算中心CSC – IT Center for Science Ltd.以及Orion Pharma的关键工业合作伙伴的共同努力下，他们着手利用机器学习的潜力进行吉字节规模的虚拟筛选。

研究人员在将人工智能引入工作流程之前，仔细建立了基线。他们开展了一项庞大的虚拟筛选活动，评估了惊人的15.6亿种类药物分子针对两个药理学相关靶点。这项耗时近半年的 exhaustive 工作是在Mahti和Puhti超级计算机的帮助下，采用分子对接技术执行的。这种计算方法仔细检查了小分子与靶点结合位点的兼容性。

机器学习处于前沿

在密集的对接阶段之后，结果经过了由Orion Pharma的Tuomo Kalliokoski博士主导开发的HASTEN工具协调的机器学习增强筛选过程。HASTEN利用机器学习的力量来解析分子的复杂属性及其对化合物评分的影响。利用通过常规对接积累的大量数据集，机器学习模型可以快速预测库中其他化合物的对接评分，大大优于资源密集型的暴力对接方法。

结果非同寻常。仅对接完整库的1%并将其用作训练数据，HASTEN在不到十天的时间内就识别出了90%的最高分化合物。这一成就代表了效率的飞跃，突显了机器学习在彻底改变药物发现格局方面的变革潜力。

这项研究的成功证明了学术界与产业界之间的协同效应。芬兰东部大学DrugTech研究社区内计算药物发现小组的负责人Antti Poso教授强调了CSC最先进的计算资源在实现其雄心勃勃的目标中所发挥的关键作用。这次合作堪称典范，展示了思想、资源和尖端技术的融合如何将科学研究推向前所未有的高度。

开放数据成为未来创新的催化剂

认识到知识传播的 paramount 重要性，该研究的作者慷慨地向公众提供了大量数据集。这些数据集包括一个可立即部署的对接筛选库，赋能其他研究人员加快他们的筛选工作。 

此外，包含15.6亿个化合物对接结果的数据集已作为基准数据公开。这一慈善举动不仅促进了合作，还为开发可以简化流程、节约资源并推进计算药物发现领域的工具铺平了道路。