AI在线 AI在线

药物

SOTA性能，厦大多模态蛋白质-配体亲和力预测AI方法，首次结合分子表面信息

SOTA性能，厦大多模态蛋白质-配体亲和力预测AI方法，首次结合分子表面信息
编辑 | KX在药物研发领域，准确有效地预测蛋白质与配体的结合亲和力对于药物筛选和优化至关重要。然而，目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。基于此，来自厦门大学的研究人员提出了一种新颖的多模态特征提取（MFE）框架，该框架首次结合了蛋白质表面、3D 结构和序列的信息，并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明，该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外，消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。相关研究以「Surface-
7/16/2024 6:39:00 PM
ScienceAI
登Science，药物亲和力增加37倍，AI对蛋白、抗体复合物进行无监督优化

登Science，药物亲和力增加37倍，AI对蛋白、抗体复合物进行无监督优化
编辑 | 萝卜皮蛋白质参与了细胞组成、肌肉收缩、消化食物、识别病毒等众多生物学功能。为了设计出更好的蛋白质（包括抗体），科学家经常在不同位置反复变异氨基酸（按一定顺序排列组成蛋白质的单位），直到使蛋白质获得所需要的功能。但氨基酸序列的数量比世界上的沙粒还要多，因此找到最佳蛋白质，进而找到最佳潜在药物，通常难度巨大。当面临这一挑战时，科学家通常会花费数百万美元，并在微型化、简化版的生物系统中进行测试。「这需要大量的猜测和验证。」斯坦福大学（Stanford University）化学工程助理教授兼 Arc 研究所创新
7/15/2024 5:36:00 PM
ScienceAI
22个任务超越SOTA，43个任务媲美SOTA，Google推出医学治疗通用大模型

22个任务超越SOTA，43个任务媲美SOTA，Google推出医学治疗通用大模型
编辑 | 萝卜皮医生和科学家如果想开发一种新的疗法，这将是一个漫长且昂贵的任务，需要满足许多不同的标准，而能够加快这一过程的人工智能模型将是无价之宝。然而，目前大多数人工智能方法只能解决一组定义狭窄的任务，通常局限于特定领域。为了弥补这一差距，Google 团队提出了 Tx-LLM，这是一种通用大型语言模型（LLM），由 PaLM-2 微调而成，可编码有关各种治疗方式的知识。仅使用一组权重，Tx-LLM 可同时处理与自由文本交织的各种化学或生物实体（小分子、蛋白质、核酸、细胞系、疾病）信息，使其能够预测广泛的相关属
6/12/2024 2:36:00 PM
ScienceAI
取代昂贵量子方法，南科大AI方法实现蛋白质-药物系统多尺度量子「精炼」

取代昂贵量子方法，南科大AI方法实现蛋白质-药物系统多尺度量子「精炼」
编辑 | 萝卜皮生物大分子结构对于药物开发和生物催化至关重要。量子「精炼」（Quantum refinement，QR）方法采用可靠的量子力学（QM）方法进行晶体细化，在提高结构质量甚至纠正生物大分子的结构方面显示出前景。然而，巨大的计算成本和复杂的量子力学/分子力学（QM/MM）设置限制了 QR 的应用。在这里，南方科技大学的研究团队将稳健的机器学习势（Machine Learning Potentials，MLP）融入多尺度 ONIOM（QM:MM）方案中，来描述核心部分（例如药物/抑制剂），取代昂贵的 QM
6/11/2024 5:09:00 PM
ScienceAI
哥大和耶鲁团队开发新算法，阐明结肠癌耐药机制

哥大和耶鲁团队开发新算法，阐明结肠癌耐药机制
编辑 | 萝卜皮信号通路活性异常是肿瘤发生和进展的标志，30 多年来一直指导着靶向抑制剂的设计。然而，由快速、特定环境的信号网络重新布线诱导的适应性抵抗机制继续挑战治疗效果。利用蛋白质组学技术和神经网络，哥伦比亚大学和耶鲁大学的研究团队引入了 VESPA（Virtual Enrichment-based Signaling Protein-activity Analysis），一种旨在阐明细胞响应和适应药物扰动机制的算法；并用它来分析用临床相关抑制剂和对照介质处理的结直肠癌细胞的 7-point 磷酸化蛋白质组时间
5/28/2024 7:22:00 PM
ScienceAI
准确预测药物-靶点相互作用，江南大学提出深度学习融合GNN新方法MINDG

准确预测药物-靶点相互作用，江南大学提出深度学习融合GNN新方法MINDG
编辑 | 紫罗药物-靶点相互作用（DTI）预测在药物发现中发挥着重要作用。尽管药物靶点预测的智能计算方法受到了广泛关注，并取得了许多进展，但仍然是一项具有挑战性的任务，需要进一步的研究。为了解决上述挑战，江南大学研究团队提出了一种集成深度学习和图学习的多视图集成学习网络（MINDG）。MINDG 结合图学习和深度学习来提取药物和蛋白质的内在结构信息，以及它们之间的外在关系信息。因此，与之前的方法相比，MINDG 提高了模型预测的性能。相关研究以《MINDG: a drug–target interaction pr
5/24/2024 7:52:00 PM
ScienceAI
体外命中率提高75%，Model Medicines&加州大学开发AI驱动的药物发现框架

体外命中率提高75%，Model Medicines&加州大学开发AI驱动的药物发现框架
编辑 | 萝卜皮在不断发展的药物发现领域，传统方法由于效率低和资源需求高而面临重大挑战。AI 药物公司 Model Medicines 和加州大学圣地亚哥分校的研究人员开发了 GALILEO AI 药物发现平台及其核心模型 ChemPrint，旨在提高药物发现的效率。为了解决命中率低和探索新化学空间困难的挑战，该平台采用自适应分子嵌入和严格的模型训练环境来增强预测能力并导航未知的分子领域。在针对 AXL 和 BRD4 肿瘤学靶标的案例中，ChemPrint 实现了 45.5% 的体外命中率，并鉴定了 20 种新型作
4/22/2024 4:26:00 PM
ScienceAI
促进癌症治疗，之江实验室团队开发端到端深度学习模型 DeepAEG

促进癌症治疗，之江实验室团队开发端到端深度学习模型 DeepAEG
编辑 | 白菜叶由于药物疗效的不确定性和患者的异质性，癌症药物反应的预测是现代个性化癌症治疗中的一个具有挑战性的课题。而且，药物本身的特性和患者的基因组特征可以极大地影响癌症药物反应的结果。因此，准确、高效、全面的药物特征提取和基因组学整合方法对于提高预测精度至关重要。之江实验室的研究团队提出了一种名为 DeepAEG 的端到端深度学习模型，它基于完整图更新模式来预测 IC50 值。并且，研究人员提出了一种新方法，通过采用序列重组来增强简化的分子输入行输入规范数据，从而消除药物分子单一序列表示的缺陷。DeepAEG
3/27/2024 6:50:00 PM
ScienceAI
18个月，开创AI药研先例，Insilico公开其首款AI药物研发全过程，登Nature子刊

18个月，开创AI药研先例，Insilico公开其首款AI药物研发全过程，登Nature子刊
编辑 | 凯霞去年 6 月，Insilico Medicine 宣布全球首款 AI 设计的药物 INS018_055 进入 II 期临床试验，首批患者给药。近日，Insilico 在《Nature Biotechnology》发表题为《A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models》的文章，重点介绍了其声称的第一个 AI 生成和发现的药物 INS018_055 的整个历程。Insilico 创始人
3/15/2024 3:17:00 PM
ScienceAI
受 ChatGPT 启发，结合 Transformer 和 RL-MCTS 进行从头药物设计

受 ChatGPT 启发，结合 Transformer 和 RL-MCTS 进行从头药物设计
编辑 | 萝卜皮通过从头药物设计发现新型治疗化合物是药物研究领域的一项关键挑战。传统的药物发现方法通常资源密集且耗时，这促使科学家探索利用深度学习和强化学习技术力量的创新方法。在这里，美国查普曼大学（Chapman University）的研究人员开发了一种称为 drugAI 的新型药物设计方法，该方法利用编码器-解码器 Transformer 架构与通过蒙特卡罗树搜索（RL-MCTS）进行的强化学习来加快药物发现过程，同时确保生产具有药物样特性和对其靶标具有强结合亲和力的有效小分子。与两种现有的基准方法相比，dr
2/22/2024 2:14:00 PM
ScienceAI
清华&第四范式&腾讯研究团队：图神经网络与生物医学网络实现新兴药物相互作用预测

清华&第四范式&腾讯研究团队：图神经网络与生物医学网络实现新兴药物相互作用预测
编辑 | 萝卜皮新兴药物的药物相互作用 (DDI) 为治疗和缓解疾病提供了可能性，利用计算方法准确预测这些相互作用可以改善患者护理并有助于高效的药物开发。然而，许多现有的计算方法需要大量已知的 DDI 信息，这对于新兴药物来说是稀缺的。清华大学、第四范式（4Paradigm）以及腾讯 Jarvis Lab 的研究人员提出了 EmerGNN，这是一种图神经网络，可以利用生物医学网络中的丰富信息来有效预测新兴药物的相互作用。EmerGNN 通过提取药物对之间的路径、将信息从一种药物传播到另一种药物以及在路径上结合相关的
12/26/2023 11:59:00 AM
ScienceAI
人工智能为新药铺平道路：几何深度学习方法可以预测合成药物分子的最佳方案

人工智能为新药铺平道路：几何深度学习方法可以预测合成药物分子的最佳方案
编辑 | 萝卜皮后期功能化是优化候选药物特性的一种经济方法。然而，药物分子的化学复杂性往往使得后期多样化具有挑战性。为了解决这个问题，德国慕尼黑大学（Ludwig-Maximilians-Universität München）、苏黎世联邦理工学院（ETH Zurich）和巴塞尔罗氏制药（Roche Innovation Center Basel）的研究人员开发了基于几何深度学习和高通量反应筛选的后期功能化平台。考虑到硼基化是后期功能化的关键步骤，计算模型预测了不同反应条件下的反应产率，平均绝对误差范围为 4-5%
12/19/2023 4:00:00 PM
ScienceAI
GHDDI与微软研究院科学智能中心达成合作，联手通过AI革命性赋能新药研发

GHDDI与微软研究院科学智能中心达成合作，联手通过AI革命性赋能新药研发
编辑 | X2023年12月12日，北京——全球健康药物研发中心（Global Health Drug Discovery Institute, GHDDI）与微软研究院科学智能中心（Microsoft Research AI4Science）宣布达成合作，双方将共同研发全球健康传染病领域的生成式人工智能与基础大模型技术，聚焦落地转化，加速创新药物研发。此前，双方已成功在结核分枝杆菌以及冠状病毒关键靶蛋白的研究中设计出多种全新结构的小分子抑制剂。全球健康药物研发中心与微软研究院科学智能中心合作启航仪式基于开放创新的
12/13/2023 12:00:00 PM
ScienceAI
FDA基于DL的自然语言处理方法，识别定向药代动力学药物相互作用

FDA基于DL的自然语言处理方法，识别定向药代动力学药物相互作用
编辑 | 萝卜皮在药物开发过程中，收集有关药物（对象）由于与另一种药物（沉淀剂）的药代动力学（PK）药物相互作用（DDI）而导致的临床暴露变化的信息至关重要。虽然已经发布了许多用于 DDI 的自然语言处理 (NLP) 方法，但大多数方法旨在评估文本中是否存在（以及何种）DDI 关系，而不识别 DDI 的方向（对象与沉淀药物）。在这里，美国食品药品监督管理局（Food and Drug Administration，FDA）的研究人员提出了一种从文献或药物标签中自动识别 PK DDI 方向性的方法。该团队重新注释了文
11/6/2023 3:49:00 PM
ScienceAI
以大模型加速新药研发，成本降低70%：一家大厂的「云端」实战

以大模型加速新药研发，成本降低70%：一家大厂的「云端」实战
最近几年，AI 加持下的新药研发成为被寄予厚望的赛道之一。从流程上看，药物研发分为药物发现、临床前研究、临床研究、审批与上市四个阶段。医药界有一个「双十定律」的说法 —— 即需要超过 10 年时间、10 亿美元的成本，才有可能成功研发出一款新药。即使如此，也只有约 10% 新药能被批准进入临床期。目前，AI 技术的参与主要集中于药物发现阶段。挑战在于，虽然 AI 技术加快了一部分工作的推进速度，但 AI 技术与药物研发的 “联姻” 并不是一蹴而就的，囿于算法低效、数据割裂、数据安全、算力瓶颈等挑战，药物研发仍然是一
5/19/2023 9:03:00 AM
机器之心
计算生物学家​Anne Carpenter谈：机器学习将高维的生物学问题简化

计算生物学家​Anne Carpenter谈：机器学习将高维的生物学问题简化
编译/凯霞今天，生物医学研究人员可以通过使用机器学习进行基于图像的分析，有效地对显微镜图像中的数千个细胞进行分类。计算生物学家 Anne Carpenter 是开发这些自动化工具的先驱。你不能通过封面来判断一本书，也就是，你不能以貌取人，至少我们是这么了解人的。然而，对于细胞来说，令人惊讶的是，事实并非如此。使用类似于计算机识别面部的机器学习方法，生物学家可以表征显微图像堆栈中的单个细胞。通过测量数以千计的可视化细胞特性——标记蛋白的分布、细胞核的形状、线粒体的数量——计算机可以从细胞图像中挖掘出识别细胞类型和疾病
11/8/2021 4:54:00 PM
ScienceAI
综述：药物发现中的机器学习

综述：药物发现中的机器学习
编辑 | 萝卜皮不知不觉，人工智能已经渐渐延伸到了各个领域，医药领域也不例外。来自印度 B V Raju 理工学院的研究人员发表综述，讨论了药物发现中的机器学习，归纳总结了应用于制药领域的各类机器学习技术，并指出当前该领域发展的难点，以及未来发展方向。该综述以「Machine Learning in Drug Discovery: A Review」为题，于 2021 年 8 月 11 日发布在《Artificial Intelligence Review》杂志。人工智能概念与许多领域密切相关，如模式识别、概率论、
8/31/2021 3:21:00 PM
ScienceAI
NUS研究团队开发自动化药物生产新技术，「自动化多步合成」成可能

NUS研究团队开发自动化药物生产新技术，「自动化多步合成」成可能
发现和开发用于治疗的新型小分子化合物需要投入大量的时间、精力和资源。新加坡国立大学(NUS)的研究团队开发了一种适合药物小分子的自动化生产方法，为传统化学合成提供了新的思路。该方法可能用于通常通过手动工艺生产的分子，从而减少所需的人力。取得这一技术突破的研究小组由新加坡国立大学化学系助理教授Wu Jie 和新加坡国立大学化学和生物分子工程系副教授Saif A. Khan领导。Liu Chenguang博士（左）和Wu Jie助理教授（右）。（来源：NUS）NUS团队演示了用于癌症治疗的药物分子prexersatib
6/9/2021 4:42:00 PM
ScienceAI