今天早上看到一篇文章——人工智能正在永远改变药理学, 佐证是另一个AI设计的药物DSP-1181。
今年初，英国初创公司Exscientia和日本制药公司住友大日本制药公司（Sumitomo Dainippon Pharma）宣布开始针对他们创造的一种新化合物DSP-1181进行临床试验。作为强迫症（OCD）的治疗方法，目前正在对一小群健康的人类志愿者进行测试，以获取安全性和剂量数据，如果可以接受，则将在2021年之前对强迫症患者进行测试。药物开发大约需要5年才能开始试验，但DSP-1181仅用了一年。那么，开发团队如何如此迅速地生产它？
根据 Science Translational Medicine的评论Another AI-Generated Drug?
DSP-1181的结构还没有公布, 但可能是FDA在1967年批准的Haloperidol的类似物.
之前的21天AI开发新药, AI设计出的化合物与已知kinase抑制剂非常像.
AI设计的kinase抑制剂:
已知kinase抑制剂(高亮部分与AI设计化合物一致):
图片来源: Dissecting the Hype With Cheminformatics
基于AI技术或许可以加速先导化合物优化，规避专利等，其实和之前的信息化技术是一样，只是辅助工具，不应该过度吹嘘.
辅助开发DSP-1181的AI制药公司Exscientia号称用AI加速"Design-Make-Test"循环:
其中核心的生成设计(Generative Design)应该也是ligand-based的分子生成模型, 所以它招聘熟悉使用化学信息学工具的人:
- Knowledge of cheminformatics toolkits (such as Pipeline Pilot, Knime, OpenEye or RDKit)
不过如果熟悉python和懂structure-based可以加分:
- Proficient in Python
- Experience in structure-based and fragment-based methods
图片生成模型可以生成以假乱真的人脸, 而分子生成模型可以快速生成满足约束条件的化合物.
生成模型一览, 图片来源:Deep learning for molecular generation
虽然有很多生成模型号称自己可以生成全新骨架的化合物, 但对这些化合物的打分(预测)网络模型却依赖已有数据, 最后结果只能是筛选出已知化合物的类似物. 我的观点是——用现有的Ligand-based AI方法可以加速先导化合物优化过程中的信息整合, 但是难以获取全新骨架的化合物.
鼓吹新技术是商业行为, 我们阻止不了, 只能擦亮眼睛, 别被迷惑.
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。