據有關統(tǒng)計：傳統(tǒng)藥物研發(fā)耗時耗力，一般需要超過 15 年，耗資 30 多億美元，但每年上市的原創(chuàng)新藥僅十幾種。目前，已知的 4000 多種疾病中 90% 尚無藥可治。

如何加速新藥研發(fā)？騰訊表示，為解決困難，開始做些嘗試——發(fā)布首個 AI 驅動的藥物發(fā)現平臺 “云深智藥（iDrug）”。它致力于幫助用戶大幅度減少尋找潛在活性藥物的時間和成本。“云深”源自唐詩《尋隱者不遇》的 “只在此山中，云深不知處”，新藥的發(fā)現過程正是如此。

基于騰訊 AI Lab 自主研發(fā)的深度學習算法，提供數據庫和云計算支持，能覆蓋臨床前新藥研發(fā)全部流程的五大模塊。

騰訊表示，其 AI Lab 自研的預測蛋白質結構的新思路，該算法在 2020 年起加入行業(yè)頂級評估平臺 CAMEO（全球唯一的蛋白質結構預測自動評估平臺）。

目前平臺上已經運行十個左右研發(fā)項目——包括對抗新冠病毒藥物的虛擬篩選和性質預測，目前篩選得到的化合物在實驗驗證中。

平臺如何為藥物研發(fā)加速助力？

疾病的形成由很多物質組成，最終形成疾病的關鍵蛋白，我們把它設為靶點。

解決靶點，就有可能解決疾病。

而解決靶點，就需要知道它的蛋白結構，再去找到對應的藥物破解它。

了解關鍵蛋白的結構，設計藥物分子來抑制它的功能，疾病就會解除。

過去通過實驗尋找針對疾病靶點的有效藥物，往往難度大、周期長、費用高。

從進入臨床試驗的行業(yè)案例來看，在新藥研發(fā)中，AI 技術最快可以將新藥發(fā)現周期從 3-6 年縮短到 6 個月至 1 年；從技術層面看，云深智藥平臺同樣具備相似的能力。它能最快的時間，模擬鎖的結構。

結合 AI 深度學習模型預測的蛋白質結構以及蛋白質功能（蛋白質折疊），就可以有針對性地設計藥物分子來抑制它的功能，將疾病通路阻斷。

基于自監(jiān)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(jiān)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。

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(tài)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。

云深智藥平臺，不僅可以根據鎖的類型和形狀來設計或者選擇合適的候選鑰匙，還能吸收其他人開鎖經驗，能極大節(jié)省人力物力。

可通過 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%。

獲悉，平臺還支持 ADMET 性質預測功能（藥物的吸收、分配、代謝、排泄和毒性），目前已經開源。該平臺藥物小分子 ADMET 屬性預測模塊已在多個數據集上比學術界現有最好模型提高 3%~11%；在合作伙伴的反饋中，平臺的自研算法精度超過現有商業(yè)軟件 6%~37% 不等。

當然，除了上述在算法領域不斷創(chuàng)新，平臺還提供算力和數據庫的一體化服務支撐。

數據方面，分子大數據是藥物研發(fā)中的基礎設施。

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(huán)節(jié)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。

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，從而能盡快將 AI 能力引入現有的研發(fā)流程中。
責任編輯：tzh