作为谢菲尔德大学和阿斯利康研究人员合作的一部分，已经开发了可以降低成本并加快新药发现的人工智能。

这项新技术由谢菲尔德计算机科学系的陆海平教授和他的博士生Peizhen Bai与阿斯利康的Filip Miljković博士和Bino John博士开发，在Nature Machine Intelligence上发表的一项新研究中进行了描述。

该研究表明，名为DrugBAN的人工智能可以预测候选药物是否会与人体内预期的靶蛋白分子相互作用。

可以预测药物是否会达到预期目标的人工智能已经存在，但谢菲尔德和阿斯利康的研究人员开发的技术可以更准确地做到这一点，并提供有用的见解，帮助科学家了解药物如何在分子水平上与蛋白质伙伴互动，根据2月2023日发表的论文， <>.

人工智能有可能告知药物是否会成功与预期的癌症相关蛋白质结合，或者候选药物是否会与体内的意外靶标结合并导致患者不良副作用。

人工智能经过训练，可以学习人体蛋白质的亚结构以及药物化合物的亚结构。然后，该技术了解这些子结构如何相互作用，并利用这些子结构来预测新药可能的行为。

谢菲尔德大学机器学习教授陆海平说：“我们设计人工智能有两个主要目标。首先，我们希望人工智能能够更精细地捕捉药物如何与靶标相互作用，因为这可以提供有用的生物学见解，帮助研究人员在分子水平上理解这些相互作用。其次，我们希望该工具能够预测这些与新药或靶点的相互作用，以帮助加速整体预测过程。我们今天发表的研究表明，我们的人工智能模型做到了这两点。

人工智能设计的关键是模型如何学习成对亚结构相互作用——药物化合物和体内蛋白质的亚结构之间可能发生的多种相互作用。而市场上大多数现有的药物预测人工智能从药物和蛋白质的整体表征中学习，这些表征没有捕获它们的子结构，因此提供的见解不太有用。

在人工智能发展的下一阶段，该团队计划使用更深入的化合物和蛋白质结构数据，使人工智能更加准确。

阿斯利康数据科学，临床药理学和安全科学(CPSS)主任Bino John博士说：“DrugBAN的一个关键新颖之处在于它依赖于双线性注意力网络，使其能够同时学习两种药物及其靶标的子结构的相互作用。我们还向公众免费提供源代码，希望这将支持更多的人工智能方法，这些方法将继续加速药物发现。

使用传统方法的药物发现和开发可能非常困难，开发时间长，支出巨大。然而，药物发现过程有可能大大加快;随着人工智能和数字技术的进步，研究人员正在寻找新的方法来查明药物可能与我们体内的哪些蛋白质相互作用。

阿斯利康CPSS成像和数据分析主管Nick Brown说：“我真的很高兴看到这篇论文，特别是因为与其他方法不同，DrugBAN同时使用双线性注意力网络从候选药物及其靶标中学习，并且明确设计用于推广问题。

谢菲尔德大学计算机科学系主任Guy Brown教授补充说：“我们在谢菲尔德的研究强烈受到对人们生活产生积极影响的愿望的强烈动机，我们认为与阿斯利康等行业领导者的互动对于这一使命至关重要。

“这是一项令人兴奋的研究，有望在治疗设计方面取得重大进展。该方法还因其对可解释性的关注而与众不同，使人类专家能够从人工智能系统产生的见解中受益。