机器学习加速新药研发进程

英国剑桥大学和美国辉瑞公司合作开发了一个平台，将自动化实验与人工智能相结合，以预测化学物质如何相互反应，从而加速新药的设计过程。研究结果发表在最新一期《自然·化学》杂志上。

预测分子如何反应，对于新药的发现和制造至关重要。但从历史上看，这是一个反复试验、经常失败的过程。为了进行预测，化学家需要在模型中模拟电子和原子，这一过程计算成本高昂且通常不准确。

现在，研究人员开发了一种受基因组学启发的数据驱动方法。该方法将自动化实验与机器学习相结合，以了解化学反应性，从而大大加快了新药设计过程。他们称，该方法在超过39000个药学相关反应的数据集上得到了验证。

该方法从数据中挑选出反应物、试剂并测试反应性能之间的相关性。数据则是通过非常快速或高通量的自动化实验生成的。研究人员表示，高通量化学已经改变了游戏规则。他们相信有一种新方法，可促进对化学反应的更深入的理解，而不是从高通量实验的初始结果中观察到。此次开发的这种机器学习方法，就能允许化学家调整复杂的分子，再精确引入到分子的预先指定区域，从而加快药物设计速度。

机器学习以往在化学中的应用经常受到限制。与广阔的化学空间相比，其数据量实在太小。但此次研究通过“传授”给模型一般化学知识，然后对其进行微调，预测复杂的化学转化，从而克服了低数据的局限性。

论文第一作者、剑桥大学卡文迪许实验室的艾玛·金-史密斯表示，这一成果可能会改变人们对有机化学的看法。对化学的更深入理解，亦可促使人们更快速制造药品和许多其他有用的化学品。