新药、抗病毒药物、抗生素和具有特定特性的一般化学品的发现和研制是一个漫长而艰苦的过程。生物化学、物理和计算机科学交叉的跨学科研究可以改变这种状况。机器学习(ML)方法的发展，结合量子和统计力学的基本原理，并训练越来越多可用的分子大数据集，有可能彻底改变化学发现的过程。

 

“化学发现和机器学习必然会一起进化，但要在它们之间实现真正的协同作用，杏耀QQ需要解决许多突出的挑战，”该大学理论化学物理学教授亚历山大•塔卡先科(Alexandre Tkatchenko)说。

 

机器学习来帮助识别候选药物

 

该大学在2020年春天与比利时Janssen制药公司展开合作，开发新的ML方法，用于识别具有强大治疗潜力的化合物(也称为候选药物)。到目前为止，ML方法已经发展为小分子。该研究项目旨在将基于量子力学的机器学习方法的架构和可转移性扩展到具有重要制药意义的大分子。

 

“产生对相关生物靶标具有活性的新型化学品是制药公司的核心业务。机器学习方法有可能加快这个过程，降低药物发现的失败率。Tkatchenko教授团队的博士后研究员Leonardo Medrano-Sandonas博士评论道:“我们已经与一家领先的制药公司接触，共同鉴定候选药物，这是行业对我们专业知识认可的可喜迹象。”

 

Tkatchenko教授与三家大型欧洲制药公司(拜耳、阿斯利康、詹森)、化学公司Enamine和十家在计算药物设计方面有专长的学术合作伙伴一起，获得了Marie Sk?奥多斯卡-居里行动-创新培训网络资助项目高级机器学习促进创新药物发现(AIDD)，资助期限为2021 - 2023年。这个项目的目的是开发创新的ML方法来贡献一个整合的“单一化学”模型，这个模型可以预测从分子生成到合成的结果，并理解如何将化学和生物学结合在一起来开发新药。

 

在这里， 杏耀平台谈科技 ，科学专家与医药和合成化学专家的工业伙伴的力量，杏耀联系并受益于大型有价值的数据集。这是第一次，所有方法的开发都是开源的。这个培训网络将培养一代既懂机器学习又懂化学的科学家，以促进药物化学的发展。

 

Tkatchenko教授解释说:“使用机器学习做出准确的预测在很大程度上依赖于对大量高质量数据的获取和领域专家的分析。”“把我们的力量集中起来，是向机器学习推动的化学发现革命迈出的第一步。”

 

化学发现的机器学习领域正在兴起，预计在不久的将来会有实质性的进展。Tkatchenko教授最近在《自然通讯》杂志上发表了一篇文章，他在文中讨论了该领域最近的突破，并强调了未来几年的挑战。这篇文章可以在网上找到。