医药大观园
下载贤集网APP入驻自媒体
药物发现的可能性是无穷无尽的，然而，药物发现过程中的高损耗率是生物医学科学中面临的一个首要问题。据估计，截至2020年，美国FDA批准的每种药物的开发成本平均高达13亿美元。 近年来，计算机辅助药物设计（CADD）已成为药物研发的重要领域，它可以进行候选分子的初始筛选，并进行进一步优化。而其在最初阶段发现的良好线索对药物发现过程至关重要。但CADD面临着三个主要问题：首先，所需的算力成本很高；其次，一款药物能否成功上市不仅仅基于治疗其预期疾病的效果，90%的药物无法通过临床试验，药物的许多特性，例如ADMET（吸收、分配、代谢、排泄、毒性），药物-药物相互作用（DDI）和副作用在很大程度上影响药物的成功；第三，当前的CADD技术通常涉及使用许多专用模型，每个模型预测一个特定的化学性质，当许多模型堆叠时，所需的算力成本呈指数级增长。 近日，南洋理工大学慕宇光教授、智峪生科郑良振博士和山东大学李伟峰教授等在 Nature 子刊 Nature Machine Intelligence 上发表了题为：Application of variational graph encoders as an effective generalist algorithm in computer-aided drug design 的研究论文。 该研究提出了一个单一、通用的统一模型，利用图卷积变分编码器，可以同时预测小分子药物的多种特性，例如吸收、分配、代谢、排泄和毒性，以及靶点特异性对接评分预测和药物-药物相互作用。使用这种模型可以实现目前最先进的虚拟筛选，具有高达两个数量级的加速优势。变分图编码器的隐空间最小化，还能与Pareto最优原则结合，加速特定药物的开发，并具有可解释性的额外优势。
