人工智能有望促进药物发现，但信任问题悬而未决

人工智能最重要的发展之一不是可怕的聊天机器人，而是一种分解蛋白质独特 3D 结构的新方法。 这种名为 AlphaFold 的强大深度学习算法将科学家过去需要数年时间才能在实验室完成的过程转变为可以在不到一个小时内运行的计算机程序。

这对医学的影响是巨大的：一旦确定了蛋白质结构中细微的分子差异，研究人员就可以开始用药物瞄准它，纠正功能障碍，对抗感染，并改善健康。 但在人工智能改变生物医学之前，研究人员需要证明算法的预测与过去经过验证的实验方法（例如 X 射线晶体学）获得的结果一样准确。

《科学》杂志上的一篇新论文表明，现在的情况可能就是这样。 当研究人员使用复杂的软件筛选数十亿种化合物（通过将它们与蛋白质结构匹配来寻找潜在的新药）时，他们发现 AlphaFold 预测的结构至少在某些情况下可以有效地取代实验确定的结构。

这些结果首次证明了这种人工智能技术的迭代 AlphaFold2 可以成为一种有效的药物发现工具。 “到目前为止，研究表明 AlphaFold2 比基于结构的药物筛选任务的实验结构更糟糕，”他说。 刘建坤该论文的第一作者在加入洛克菲勒完成该项目之前，在旧金山加州大学完成了大部分研究。 “我们发现，在我们测试的两个药物靶标中，当用作我们发现配体的软件的输入时，算法模型与实验结构一样可靠，配体是药物发现中需要识别的结合分子。”

我们与 Liu 坐下来讨论了最新技术 AlphaFold3 的前景、深度学习的局限性以及这对药物发现意味着什么。

关于 AlphaFold 推进医学发展的潜力，您的论文告诉我们什么？

根据之前的工作，我们的预期是 AlphaFold 在基于结构的化合物发现方面比实验方法表现更差。 但这些研究分析了使用传统方法已经发现的受体结构，然后回顾性评估了 AlphaFold2 预测这些结构及其相互作用的效果。 我们想知道进行前瞻性研究（在实验结构可用之前使用 AlphaFold2 来预测结构）是否会产生不同的结果。

我们惊讶地发现，当进行前瞻性分析时，AlphaFold 的预测结构有时与实验获得的结构足够接近。 我们估计，在大约三分之一的情况下，AlphaFold 预测的架构可以显着加快项目速度。 与通过实验方法获得新结构相比，有可能将项目时间表加快几年，这是一个主要优势。

AlphaFold3 将如何对此进行改进？

一方面，AlphaFold3是AlphaFold2的巨大升级。 之前的模型只能预测单链蛋白质结构； 只有通过其 Multimer 附加组件，AlphaFold2 才能预测一些蛋白质复合物。 但较新的模型可以预测翻译后修饰和小分子蛋白质复合物。 简而言之，开发人员声称人工智能现在可以预测包括 DNA、RNA 和其他分子在内的蛋白质分子复合物。

问题是最新版本是黑匣子。

当 AlphaFold2 首次发布时，团队也发布了他们的模型。 用户可以预测的蛋白质数量没有真正的限制。 因此，我们能够验证该算法以及在基础科学和药物发现中的更广泛应用，正如我们最近的论文中所示。 不幸的是，最新的模型仅在服务器上可用 – 他们不发布模型 – 并且每天可以预测的结构数量是有限的。 有一些迹象表明他们可能会在未来六个月内改变这一政策并提高透明度。 但如果他们不开放表格供学术筛选使用，我们目前的研究将是此类研究的最后一次。 我们无法对 AlphaFold3 进行当前的研究。 没有它，我们就无法知道新模型是否是更好的药物发现模型。

这种政策转变是否会让您对人工智能和医学的未来不再那么乐观？

就我个人而言，我很兴奋！ 但我建议谨慎行事，因为现在很多人工智能都被高估了，而且交付得也不好。 我担心，如果我们现在不小心处理，生物医学领域的人工智能将会逐渐消失，最终成为另一种炒作。 这可能会让我们倒退几十年。

那么未来仍然光明吗？

确实。 这是最重要的研究领域之一，无论是基础研究还是工业界，准确预测蛋白质复合物都有着巨大的市场。 在实验室中，我们需要我们感兴趣的复合物的 3D 模型来阐明许多机制研究中的串扰，而在工业方面，这些模型越准确、越容易获得，研究人员就能越早开始可视化抗体和与治疗靶点相互作用的纳米抗体或小分子药物的生物学。 尽管这并不是制造药物所需的全部，但获得准确的模型是至关重要的早期步骤，也可以指导进一步的药物改进。

很多人不认为人工智能和深度学习模型能够做到这种事情。 我们仍然不确定这是否可能，但看起来可能性越来越大。

除了提高人工智能公司的透明度之外，还需要如何改进深度学习模型，直到它们成为药物发现的实用工具？

许多研究表明，人工智能能够在生物医学领域做出伟大的事情，但它能做到这些事情的程度受到训练人工智能的实验数据的可用性的阻碍。

碰巧人工智能确实在基础科学通过实验产生大量数据的领域取得了成功。 现在我们拥有多种人工智能架构，我们需要回到工作台并生成更多高质量的数据，为这些需要大量数据的算法提供数据，以便它们产生更好的预测。 那就是突破到来的时候。