● 与语言领域的 ChatGPT 类似的人工智能模型正在设计新的化合物，并加速制药行业开发新药的进程。
● 基于传统研究和现有测试数据，新人工智能使实验室能够赢得时间并优化候选药物在临床试验中成功的机会。
● 利用强化学习的力量，新机器可以考虑无数参数并在几毫秒内评估化合物的合格性。
传统的发现新化合物治疗疾病的程序繁琐
现在，人工智能工具正在改变这一模式。5 月 25 日，一组研究人员（其中一些来自麻省理工学院）在《自然化学生物学》上发表了一篇文章，报道了一种针对鲍曼不动杆菌的新型抗生素的发现，鲍曼不动杆菌是一种导 目标电话号码或电话营销数据 致肺炎和脑膜炎等多种耐药性感染的细菌。研究人员使用深度学习模型来评估来自 7,000 多个分子库的化合物，从而确定了潜在的治疗剂。
在法国，许多公司专门为制药行业发现新分子。其中包括Iktos，其首席执行官Yann Gaston-Mathé解释了这项新技术的含义：“人工智能使我们能够加快这些分子的合成和测试速度。可以用虚拟测试代替实验测试，以模拟它们的行为方式。”毋庸置疑，这只有当研究人员能够获得大量已知化合物的实验数据时才有可能，这使得他们能够构建机器学习模型，预测新化合物是否有可能用于临床。这位企业家指出： “如今，只需几毫秒就可以得到这类答案。”这些人工智能工具的运行方式 制定内容计划和编辑日程表 类似于 ChatGPT：与大型语言模型一样，它们是生成式人工智能系统，能够创建创新组合，以满足来自现有数据的复杂标准。
选择性地针对参与病理过程的蛋白质就像大海捞针
需要考虑的参数数量巨大
寻找新化合物并不容易：“当我们寻找新药时，我们首先要确定一个目标，也就是我们想要干预的生 西班牙比特币数据库 物机制，以便对疾病产生积极影响，” Yann Gaston-Mathé 解释道。“通常，这是一个涉及病理蛋白质的过程，我们希望用我们的化合物阻断其作用。”然而，选择性地针对参与病理过程的蛋白质就像大海捞针。“选择性的必要性在于，人体内有超过 20,000 种不同的蛋白质，我们不希望一种本应作为治疗剂的化合物影响其他蛋白质或产生除预期之外的其他效果，这很可能是有毒的。 ”化合物还必须具有足够的溶解