临床前药物发现中的人工智能民主化

大多数突破性的发现都是根据已经在那里的证据来做出的，即敏明·周（Ming-Ming Zhou）博士在他的纽约市办公室中宣称的，因为我们忽略了一个多云的中央公园。有人需要以不同的方式连接这些问题来解决问题。

周于1997年开始了他的教师职业生涯，目前是西奈山的伊坎医学院的生理学和生物物理学教授。他的实验室设计化合物以调节用于治疗应用的染色质介导的基因转录。周在溴结构域的化学靶向方面的开创性工作，这是一组蛋白质识别组蛋白中乙酰化赖氨酸的蛋白药物发现解决各种各样的癌症和炎症性疾病。

关于过去三十年的治疗研究，周说，基于结构的药物发现现已转变为人工智能（AI）辅助药物发现，这是一个蓬勃发展的跨学科领域，将临床前管道从基于文献定义的疾病目标建立到大规模搜索到从未见过的铅的大量数据进行大规模搜索。根据周的说法，这种范式转移是西奈山的新AI小分子药物发现中心正在正面应对。

建造AI INNOVATION的房屋

由Avner Schlessinger博士，药理学教授兼西奈山治疗中心发现中心副主任Avner Schlessinger领导，AI计划于4月发起，纽约纽约的最新枢纽利用计算方法来进行临床前开发。

为了扩大对AI驱动的药物发现的访问，该中心将通过研讨会，实习计划和药物发现黑客马拉松为下一代科学家提供动手培训，同时促进与制药公司，生物技术公司和学术机构的专注于AI的研究合作。

药物发现是一个效率低下的过程。周说，最大的限制因素之一是沟通，互动或思考不足。Gen。``这个中心是使人们聚集在一起以解锁可以帮助我们解决这一限制的新想法和技术的一种方式。”

与传统的药物发现相反，该药物发现​​依赖于缓慢和资源密集的实验工作流程，在大量分子结构和生物活性数据集中训练的AI模型可以预测合成之前的新化合物的特性，该方法是一种提议扩展以速度和成本的速度和成本范围的前线研究计划的吞吐量和规模的方法。

西奈山中心将重点放在三个核心区域上：使用生成AI设计新型药物样分子，优化现有化合物以增强其功效和安全性，并预测针对新指示的已知药物或天然产物的药物目标相互作用。

``我在很久以前就接受过AI和机器的培训，然后在我游览西奈山校园时躲开了纽约市出租车时，Schlessinger笑了起来。但是，现在特别是使用西奈山数据集和专家改善我们的真实解决方案的模型的时机。

作为一所医学院嵌入医院系统，西奈山社区强调对患者护理产生影响。许多研究项目具有高度转化的重点，从阿尔茨海默氏病的目标识别到开发机器学习算法，以预测基于患者数据的突变的致病性。

Sinai山生物医学研究生院教授兼院长Marta Filizola领导了中心的研究生教育工作，并强调了跨学科教育的必要性，以使下一波AI创新浪潮，这是在Sinai Mount Sinai山上的人工智能（Ai Interion）中产生的概念（这是一个新的PHD人工智能和emeremementies）。

她告诉我们，我们创建了一个基础设施，以提高西奈的AI培训的知名度，并为学生提供与改善人类健康直接相关的研究计划的动手经验。”Gen。

告诉我数据

从历史上看，基于结构的药物发现在很大程度上是由蛋白质数据库（PDB）促进的，蛋白质数据库（PDB）是一种可公开的数据集，该数据集可容纳超过200,000个参赛作品，用于实验性确定的蛋白质和核酸结构数据，该数据由研究人员收集了50年。

尽管PDB是推动人工智能发展的强大资源，例如诺贝尔奖励蛋白质结构预测算法alphorithm alphafold，但许多新型药物靶标属于PDB，激励许多AI生物技术投资于其自己的数据生成。这些专有行业数据中的大部分数据仍处于锁定状态和关键之下。

对于任何建立和创新新模型体系结构的政党来说，一个关键问题是，它们无法在专有数据上进行基准测试。Apheris的首席执行官兼联合创始人Robin Roehm在接受采访时说，工业级研究的有效性是您无法评估的。Gen。对于每个建立模型的人来说，访问基准测试的行业数据是一个巨大的增值。”

Apheris是一家专注于实现机器学习数据的私人，私人和安全访问的初创企业。3月，这家总部位于柏林的公司宣布了AI结构生物学（AISB）协会的一项计划，以微调OpenFold3，这是一种由哥伦比亚大学系统生物学助理教授，使用Abbvie＆Johnson的专有数据，由哥伦比亚大学系统生物学助理教授，由哥伦比亚大学系统生物学助理教授，由Abbvie＆Johnson＆Johnson＆Johnson机密的ProRES，由Mohammed Alquraishi博士实验室开发的蛋白质结构预测算法。

该协作将评估和完善openfold3，以预测分子复合物的3D结构，重点是小分子 - 蛋白质和抗体 - 抗原相互作用以进行药物发现。截至5月，参与药物开发人员的名单已扩展到包括阿斯利康，Boehringer Ingelheim，Sanofi和Takeda。

推动开源代码

其他科学家正在寻求使AI分子模型广泛访问以推动协作前进。6月，马萨诸塞州理工学院（MIT）的研究人员Jameel诊所的卫生机器学习宣布了Boltz-2的开源释放，该诊所现在预测以新发现的速度和准确性以分子结合亲和力，以帮助使商业药物发现民主化。

Boltz-2可根据高度允许的MIT许可获得，该许可使商业药物开发人员可以内部使用该模型并应用自己的专有数据。这项工作是与去年与Exscientia结合的盐湖城人工智能（AI）药物发现公司Recursion合作完成的。麻省理工学院研究团队由麻省理工学院的AI和健康教授Regina Barzilay博士领导。

Boltz-2是对Alphafold 3有限可及性的社区强烈抗议的答案自然2024年5月，Google DeepMind和Isomorphic Labs没有开源代码。Alphafold 3将蛋白质结构预测工具扩展到了广泛的生物分子相互作用，包括小分子，DNA，RNA等，为药物发现提供了强大的下一步。

但是，《守则》的遗漏阻止了其他科学家再现出出版的结果，并在他们自己的研究工作中使用该模型，导致1000多名科学家签署了一封抗议信，要求Alphafold 3的透明度。为了解决强烈抗议，Alphafold 3开发人员在六个月后根据限制性的非商业许可发布了该代码自然发布。

斯坦福大学遗传学和计算机科学副教授Anshul Kundaje博士在发送给自然并在社交媒体平台X上发布，尽管商业实体没有义务开源或分享有关其产品的详细信息，但这并不意味着他们可以绕过构成同行评审和可验证的科学出版物的规范标准。什么自然作为同行评审的文章发表实际上是一篇广告，充其量是白皮书。

回到麻省理工学院，科索说，发布博尔茨的最大奖励是看到社区背后的集会。

``在似乎不可避免的是，像Alphafold 3这样的封闭模型将主导该领域，许多学术界和行业的研究人员决定为Boltz等开源项目做出贡献，以建立新的功能，并为所有人开放供所有人使用。”Gen。

抬起所有船

虽然Alphafold 3能够准确预测分子复合物结构，但在计算机中Boltz-2实现的结合亲和力计算并未（公开）DeepMind和Isomorphic Labs（公开）。结合亲和力衡量药物与其靶标之间的相互作用强度，是一个关键的药物发现指标，可以通过开发管道从HIT发现到铅优化来决定候选者的发展。

在准确性方面，Boltz-2是2024年12月对蛋白质结构预测16（CASP16）竞争的批判性评估的领先亲和力表演者，这是一种评估结构生物学最新最新模型的双年度实验。据报道，Boltz-2在仅20秒内计算结合亲和力值，比当前基于物理的计算标准，自由能扰动（FEP）模拟快1,000倍。

纳贾特·汗（Najat Khan）博士，首席研发官兼首席商务官员，他说，布尔茨-2的开放源代码释放在技术，生物学和化学整合方面取得了进步。

khan说：``具有约束力的亲和力是开发治疗性开始的核心，这是我们许多人都试图与[]努力斗争的基本问题。”这项合作的价值是针对应用目的的重要技术进步，这是药物发现。

Rocursion表示，将在其11个管道计划中的四个计划中结束开发，并暂停第五个计划，该计划旨在进一步将基于AI的药物开发人员集中在癌症和罕见病治疗上。该公司期待将Boltz-2应用于未来的发现候选人。

尽管专有限制仍然是商业利益，教育，数据合作伙伴关系和开源建模前进的现实，以推动协作文化。时间会证明新的AI药物发现范式是否将是真正的民主之一。