机器学习算法加倍新药寻找效率

伦敦，2月12日(记者田学科)-来自剑桥大学的研究人员设计了一种新的药物发现方法，即机器学习算法。使用这种方法可以大大提高药物发现效率，加快新药开发速度，已被证明是目前行业标准的两倍。研究结果发表在最近出版的《美国国家科学院院刊》(PNAS)上。

药物发现的关键是预测分子是否会激活特定的生理过程。可以通过搜索激活生理过程的分子之间共享的化学模式来建立统计模型，但是目前用于构建这些模型的数据非常有限，因为实验成本高，并且不清楚哪些化学模式具有统计意义。"机器学习在诸如拥有丰富数据的计算机视觉等领域取得了巨大的进步."剑桥大学卡文迪什实验室的阿法尔·李博士是该项目的主要负责人，他说，将这项技术应用于药物发现是为了解决数据相对有限的问题。

被称为随机矩阵理论的数学原理给出了关于随机和噪声数据集的统计特性的假设。根据这一原理，活性和非活性分子的化学特征的统计数据可以进行比较，以确定哪些化学模式对结合真正重要，哪些只是偶然的。根据这一假设，李和他的研究团队与生物制药公司辉瑞(Pfizer)合作，开发了一种算法，该算法利用数学运算将药理学相关的化学模型与不相关的化学模型分开。

重要的是，该算法不仅研究已知的活性分子，而且不放过那些非活性分子，并学会识别分子中哪些部分对药物作用重要，哪些部分不重要。这种方法不仅能让研究人员从活性分子中获得重要的化学模式，还能从非活性分子中获得重要的化学模式。换句话说，这项技术能够有效地利用那些失败的实验(数据)。

研究人员开始用222个活性分子建模，并能够从计算的角度筛选出另外600万个分子。结果，研究人员筛选出了100种最相关的分子。从这些分子中，他们发现了四种能够激活CHRM1受体的新分子，这可能与阿尔茨海默病和精神分裂症有关。

“从600万个分子中筛选出4个活性分子就像大海捞针一样，”李博士说。"详细的比较表明，我们的算法的效率是行业标准的两倍."目前，研究人员正在改进算法，预测合成复杂有机分子的方法，并将机器学习方法扩展到新材料设计领域。