人类使用化学药物的历史可以追溯到19世纪，其中阿司匹林是杰出的代表。目前，人们使用的化学药物大约有4000种，每年新增20-30种。

一种新药的开发极其复杂，其中第一步是寻找具有某种属性的先导化合物。在很长一段时间里，人们基于经验开发先导化合物，成本高，周期长。自上个世纪90年代以来，人们就尝试利用人工智能的方法来辅助新药开发，如预测药物的属性和化合过程等。近年来，人们利用各种机器学习方法直接合成新的药物分子，取得了长足进展。

例如，2020年5月Nature杂志发表了一篇论文[1]，利用循环神经网络（RNN）模型合成具有某种目标属性的分子。研究者首先将分子式重构成一个从左到右的数字/字母序列，再将该分子的各种属性提取出来，之后建立RNN模型，基于这些属性生成对应的数字/字母序列，最后将生成的序列还原成分子结构。

图1：将药物分子表示成数字/字母序列 [2]

图2：提取分子属性 [1]

图3：建立RNN模型，生成符合属性的分子结构 [1]

值得说明的是，上述生成过程是随机的，即由一种属性设定可以生成多种分子结构，越是符合目标属性的分子，生成的可能性越大。如图4所示，左右两图分别是基于两种属性设定生成的分子结构。可以看到每种设定都可以生成多种分子结构，这些结构具有相似属性，因而都是可能的新药候选。制药师可以对这些候选进行筛选，选择可能性较大且成本较低的结构进行试制。这一方法可充分启发研究人员的思路，从而有效缩短发现新药的时间。

图5：由两种不同的属性设定生成的新药候选 [1]

参考文献：

[1]. Kotsias et al., Direct steering of de novo molecular generation with descriptor conditional recurrent neural networks, Nature machine Intelligence, 2020.

[2]. Chen et al, The rise of deep learning in drug discovery, Drug Discovery Today, vol23, no.6, 2018.

By：清华大学 王东

来源: 微信公众号：【AI光影社】