又一小步,騰訊“高調”進軍AI新藥研發!
任宇昕表示,云深智藥平臺的推出,將幫助研發人員提升臨床前藥物發現的效率,有望緩解新冠疫情威脅下,醫藥行業亟需快速、低成本地進行藥物研發的痛點。
據悉云深智藥平臺整合騰訊 AI Lab和騰訊云在前沿算法、優化數據庫以及計算資源上的優勢,提供覆蓋臨床前新藥發現流程的五大模塊,包括蛋白質結構預測、虛擬篩選、分子設計/優化、ADMET性質預測(即將開源)及合成路線規劃。
當年騰訊覓影發布后,馬化騰在朋友圈表示“一小步,有希望”。而此次“高調”進入AI新藥研發,這預示著除了影像分析、輔助診斷等領域外,騰訊在醫療AI領域的布局再邁進一步。

以靶點識別和確認為例,大家都知道新藥發現是一個復雜的系統工程,第一步是靶點識別和確認,即找到藥物在體內的作用位點,而確定靶點蛋白質的結構是其中的關鍵工作,被視為藥物研發的重要基石。比如一個蛋白參與了某個疾病并成為關鍵通路上的重要一環,那么當研究人員了解該蛋白的結構后,就可以有針對性地設計藥物分子來調節蛋白的功能。實驗測定蛋白質結構往往難度大、周期長、費用高;通過深度學習模型預測出蛋白質結構以及功能后,計算機便可以更快的從數億的海量小分子中,快速而有針對性地找到潛在的苗頭化合物。
騰訊的云深智藥平臺采用的蛋白質結構預測方法實現了兩項關鍵技術突破:一是基于自監督學習的蛋白質折疊方法,不依賴同源序列,而是直接從序列數據庫中通過自監督學習,學得共進化的模式,從而能夠從無到有地產生出含有共進化信息的偽同源序列,并最終讓這些蛋白能夠有效折疊;二是通過一種基于深度學習的可迭代方法,有效整合模板建模與自由建模,首次提出了動態的、可迭代的氨基酸對特異性的約束條件,顯著提高了建模的精度,從而更好的折疊蛋白。
在針對靶點篩選苗頭化合物上,云深智藥也有一定的優勢。
與傳統的實驗篩選相比,計算方法進行的虛擬篩選無需消耗化合物樣品,能極大節省人力物力。基于配體的藥物設計方法(ligand-based drug design,LBDD)是虛擬篩選的常見方法之一,即從已知的有活性的配體小分子結構出發,學習和建立分子結構與活性之間關系的模型,用來預測新化合物的活性。由于很多靶點的已測得的化合物活性數據非常有限,嚴重制約了預測模型的準確性。而云深智藥平臺的虛擬篩選模塊首次將元學習和深度神經網絡算法用于LBDD任務,通過AI遷移從其他靶點上面學習到的知識(如分子局部結構對靶點結合強度的影響),應用在目標靶點上來提高模型預測精度。目前該算法在數千個實驗數據集上預測精度(預測活性與實驗測量活性的相關性)的中位數從目前最高記錄0.36提升到0.42,且篩選可用模型的百分比從56%提升到60%,突破業界標準。

數據方面,分子大數據是藥物研發中的基礎設施。現有的藥物分子公開數據集,以PubChem和ChEMBL等為代表,其來源多樣。但也由于數據來源于不同機構的不同實驗環境,存在數據難以對齊,字段缺失較多,總體質量不佳的問題,從而難以直接用于開發預測模型。云深智藥平臺使用的分子大數據,基于現有公開數據集,進行了多個環節的精細清洗整理工作,得到可以用于直接構建深度學習模型的藥物分子大數據集,并且已在多個藥物研發的項目中得到應用驗證,清洗過程對多個項目的結果均有很大的提升作用。清洗過后的、打通多個數據庫的大數據集已在陸續上線中。
算力方面,騰訊云為云深智藥平臺提供數據庫服務,藥企、科研機構登錄平臺即可開展研究,不需要再自行部署計算資源,從而能快速地將AI能力引入現有的研發流程中。
當然,騰訊跟AI新藥研發早有淵源,此前騰訊已經連續投資了國內AI新藥研發企業晶泰科技的A輪和B輪。只不過作為一個巨頭親自下場干,整合自己的資源和技術,對推動行業的發展,終歸是好事。
除了騰訊,阿里云也在進行AI新藥研發的探索,百度李彥宏也表示未來在公共衛生的監測、新藥研發和疾病診斷等方面,人工智能大有可為。
云深不知處,AI助力新藥研發還處在初期階段,還需要解決很多的困難和挑戰,需要更多的關注和投入,希望未來AI新藥研發領域有更多的突破。
綜合編輯自騰訊AI實驗室、雷鋒網等。
| 留言與評論(共有 0 條評論) |



