Science 子刊：AI 赋能药物研发，分子模拟速度飞跃

一款全新的人工智能模型已能精准预测分子随时间的演变轨迹，未来有望大幅提速昂贵且漫长的新药测试流程。

从长远看，该技术将推动药物与新疗法的研发进程，使潜力候选药物得以更迅速、准确地筛选。相关成果刊登于瑞典最新一项发表于《科学进展》的研究中。

一款新药从构思、成型到最终送达患者手中，往往耗时十年以上。因需大量实验筛选最优候选分子，时间与成本的大头集中在早期阶段。通常需开展多项研究，筛查数千种分子，却仅有极少数能进入下一轮。

传统上，分子运动依赖“分子动力学”模拟，即研究人员逐步计算所有原子间的相互作用力，每次仅微小位移。为确保计算稳定，每一步需极短，约为1飞秒（10^-15秒）；而药物研发关注的过程发生在更长尺度，需数十亿步运算，致使模拟计算极其繁复。

人工智能带来的重大变革

如今，人工智能的应用让研究人员无需数值计算即可洞察分子变化。机器学习可加速每一步运算，生成模型能直接构建可信的分子结构，无需模拟其动态过程。

来自查尔姆斯理工大学与瑞典哥德堡大学的研究团队再度突破，开发出一种新型人工智能模型，长期来看将极大提升药物开发测试效率。该新模型比传统模拟快逾一万倍。

“我们的模型与众不同之处在于，它能在更长时序上学习潜在动态。它不仅揭示分子形态，还阐明转变发生的速率与路径。据我们所知，这是首次以适用于多种不同分子的方式实现。”

Simon Olsson，查尔姆斯理工大学与哥德堡大学计算机科学与工程系副教授，研究负责人

已测试数千种分子

该研究分析了超过12500个有机分子，如含碳、氮、氢、氧原子的分子。研究人员还考察了一千多种短肽：由构成蛋白质的氨基酸短链组成的分子。人工智能模型掌握了分子的典型行为，因而能通过模拟快速推进。结果仍符合物理定律。

“我们通过模拟原子随时间移动的序列训练模型。基于这些序列，模型习得控制分子运动的基本规律，进而预测新分子的行为，”西蒙·奥尔森表示。

研究人员将模型输出与既往分子演化研究结果进行比对。

“我们利用大量后处理模拟验证结果，并用标准数值算法加以确认。”西蒙·奥尔森说：“二者高度一致。”

变化可被预测

尽管人工智能模型并非基于真实图像，研究人员将结果描述为在“分子电影”场景间跳跃，而非逐帧观看。

该人工智能模型为后续实验室中的计算预测奠定了基础。

西蒙·奥尔森称：“届时，我们能测量非常具体的指标：分子性质、它们在特定溶液中的‘稳定性’，或例如是否愿穿越膜进入细胞——但这仍待未来实现。”

主要优势在于，该模型可应用于训练时从未见过的分子，因其已掌握控制分子运动的通用规则，而非死记个别系统。

“该模型有助于我们识别某种模式。人工智能模型基于海量案例，仅观察数十纳秒内的现象。然而，它能预测远超该时长千倍时间段内分子的性质与变化。因此，借助人工智能，我们能推算‘分子未来’的可能走向。它能预测分子如何演变，即使从未目睹该过程展开。

制药行业高度关注

“要预测分子展现的物理现象，必须理解系统行为的基本物理原理。”文章首作者、查尔姆斯大学与哥德堡大学计算机科学与工程系阿斯利康工业博士生胡安·维格拉·迪兹（Juan Viguera Diez）表示：“我相信我们是首批从普遍意义上证明这一点的人之一，并表明其可行性。”

研究人员观察到工业界对更贴近现实、加速新药开发的模拟技术兴趣浓厚。由于新型人工智能模型能加速分子模拟，从而测试大量潜在分子，研究团队期望这将成为迈向更高效药物开发的关键一步。

“长远来看，类似我们的人工智能模型将助力更快速识别潜力候选药物，并在早期阶段提升准确率。”该研究展示了当前可能性。Juan Viguera Diez指出：“这有望为更通用技术的发展铺路，最终促进新药与新疗法问世，从更广视角看，也将深化我们对疾病的认知。”

关于人工智能模型更多信息

TITO（可迁移隐式传递算子）人工智能模型是一种深度生成建模框架，直接从模拟数据中学习控制分子运动的统计规律。它使预测原子结构（原子在分子内的排列与相互关系）随时间演化的效率远超传统数值模拟。

该方法目前已在简化溶剂模型及特定温度下的小分子体系中完成测试。正针对更复杂、更真实的系统进一步拓展。

参考文献

Transferable generative models bridge femtosecond to nanosecond time-step molecular dynamics