昨(6)日，麻省理工學院醫學工程與科學研究所(IMES)和生物工程系團隊，使用Google母公司Alphabet旗下AI公司DeepMind開發的蛋白質結構預測模型AlphaFold，測試大腸桿菌296種蛋白質和300多種抗菌化合物間的作用關係，並透過機器學習提高模型性能，未來有望加速新機制的抗生素研發，解決抗生素抗藥性問題，相關研究已發表在《Molecular Systems Biology》期刊上。
 
在過去十幾年間，很少有新的抗生素被開發出來，主要是因為篩選藥物的方式過於昂貴與耗時，而仰賴於計算模型的技術進步，藥物篩選速度因而加快，成本也有所降低。
 
麻省理工學院生物工程學知名教授James Collins實驗室近期便發起一項名為「抗生素-人工智慧」(Antibiotics-AI )的計畫，目標是利用AI來發現和設計新的抗生素。
 
由DeepMind開發的AI模型AlphaFold，可根據胺基酸序列，準確預測蛋白質結構，這項技術讓研究人員興奮不已，因此Collins實驗室選擇AlphaFold模型，應用於細菌蛋白質和抗菌化合物間的相互作用，並探索其潛力與侷限。
 
為了測試可行性，Collins實驗室研究了大腸桿菌的296種必須蛋白與2018種包括四環黴素等抗生素，透過AlphaFold模型預測兩者間的交互作用。
 
研究結果發現，在單一蛋白質靶點篩選化合物上，雖然能找到結合力最佳的化合物，但在針對許多已知的目標蛋白篩選化合物中，其預測準確性卻不高，特徵曲線(auROC)下面積為0.48。Collins表示，「此結果不比隨便猜測好」。
 
不過Collins認為，模型性能不佳的可能原因，是輸入模型的蛋白質結構為靜止狀態，而在生物系統中，蛋白質是靈活並且動態的變化。
 
而為了提高成功率，研究人員也再透過四個額外的機器學習模型協助預測，這些模型則是根據蛋白質和其他分子相互作用的數據進行訓練，其納入了更多訊息，包括形狀、化學和物理特性。
 
導入新的機器學習，結果也顯示模型性能有所提高，其特徵曲線下面積可達0.63。
 
Collins表示，隨著AI模型與計算能力的進步，科學家有望透過AI預測蛋白質結構的力量，發現更多疾病可治療的藥物，但要充分發揮這些AI的潛力，還有很長的路要走。
 
該研究是由 James S. McDonnell 基金會、瑞士國家科學基金會、國家過敏和傳染病研究所、美國國立衛生研究院(NIH)以及麻省理工學院和哈佛大學共同成立的布洛德研究所(Broad Institute)資助。Antibiotics-AI計畫則得到Audacious Project、流感實驗室、Sea Grape基金會和Wyss基金會的支持。
 
資料來源：https://www.news-medical.net/news/20220906/Advances-in-modeling-molecular-interactions-needed-to-better-harness-AlphaFold-for-drug-discovery.aspx
 
(編譯/彭梓涵)