药物发现 - AI在线

探索蛋白质动态变化，新AI方法JAMUN比标准MD模拟更快、更准确

编辑 | 白菜叶蛋白质结构的动态变化对于理解其功能和开发靶向药物治疗至关重要，尤其是对于隐蔽的结合位点。然而，现有的生成构象集合的方法存在效率低下或缺乏通用性的问题，无法在训练系统之外发挥作用。分子动力学 (MD) 模拟是当前探索蛋白质运动的标准，但计算成本高昂，且受短时间步长要求的限制，因此难以捕捉较长时间尺度上发生的更广泛蛋白质构象变化。

准确率82.5%，设计多药理学化合物，加州大学开发新AI平台设计未来抗癌药物

编辑 | 萝卜皮多药理学药物（可以同时抑制多种蛋白质的化合物）在治疗癌症等重大疾病方面有着重要应用，但非常难以设计。为了应对这一挑战，加州大学圣地亚哥分校的研究人员开发了 POLYGON，这是一种基于生成强化学习的多药理学方法，可以模拟药物发现最早阶段所涉及的耗时化学过程。POLYGON 嵌入化学空间并对其进行迭代采样，从而生成新的分子结构；这些药物的回报是预期能够抑制两个蛋白质靶标中的每一个，并且具有药物相似性和易于合成的特点。在超过 100,000 种化合物的结合数据中，POLYGON 能够正确识别多药理学相互

深度学习与化学语言模型结合，用于药物从头设计，登Nature子刊

编辑 | X从头药物设计旨在从零开始生成具有特定化学和药理学特性的分子。近日，苏黎世联邦理工学院的化学家开发了一种新的计算机程序，可以根据蛋白质的三维表面快速、轻松地生成活性药物成分。研究人员提出了一种利用基于相互作用组（interactome）的深度学习的计算方法，用于基于配体和结构的类药物分子生成。「这是药物发现的真正突破。」苏黎世联邦理工学院化学与应用生物科学系教授 Gisbert Schneider 说。这种方法利用了图神经网络和化学语言模型的独特优势，为特定应用的强化、迁移或少样本学习的需求提供了替代方

超越AF2？Iambic、英伟达、加州理工学院开发多尺度深度生成模型，进行状态特异性蛋白质-配体复合物结构预测

编辑 | 萝卜皮由蛋白质和小分子配体形成的结合复合物无处不在，对生命至关重要。虽然最近科学家在蛋白质结构预测方面取得了进展，但现有算法无法系统地预测结合配体结构及其对蛋白质折叠的调节作用。为了解决这种差异，AI 制药公司 Iambic Therapeutics、英伟达（Nvidia Corporation）以及加州理工学院（California Institute of Technology）的研究人员提出了 NeuralPLexer，这是一种计算方法，可以仅使用蛋白质序列和配体分子图输入直接预测蛋白质-配体复合物

GPT-4驱动的机器人化学家登Nature，自主设计反应并执行复杂实验

编辑 | X基于 Transformer 的大语言模型（LLM）在自然语言处理、生物、化学和计算机编程等各个领域取得了重大进展。但对于在实验室工作的研究人员或那些不熟悉计算机代码的人来说，人工智能方法并不那么容易理解。近日，卡内基梅隆大学的研究团队找到了如何让人工智能系统自学化学的方法。提出了一种基于 GPT-4 的智能 Agent（以下简称 Coscientist），用一个简单的语言提示就可以执行整个实验过程。能够自主设计、规划和执行复杂的科学实验。Coscientist 可以设计、编码和执行多种反应，在湿实验中