在藥物研發領域，AI的影響愈發凸顯。在提升競爭力和生產力的同時，AI還能發揮強有力的杠桿作用，讓小企業也能和行業巨頭們站在同一起跑線上展開競爭。

憑借充足的預算和資源，大公司可以對上百萬種候選藥物進行實際測試。這是他們相對于初創公司和普通研究人員的優勢。但通過利用神經網絡模擬潛在藥物分子與目標蛋白質的結合情況，小型實驗室也可以取得類似的成果。

通過深度學習提升分子對接的速度和準確度，即通過計算來預測分子與蛋白質的結合方式和結合效果，從而幫助小公司和其他研究人員挖掘極具前景的藥物療法。

“不需要使用實際的分子，你就可以篩選數十億種化合物。”美國匹茲堡大學（University of Pittsburgh）助理教授David Koes說道。

篩選“天作之合”的分子結構

科學家們尋找有藥物療法的完美分子結構，本質上是尋找其中的吸引力法則。

理想情況是，藥物分子與目標蛋白質具有足夠吸引力（或者稱為親和力）。如果親和力過弱，則這種藥物與之結合后將無法充分發揮藥效。

可以用一條耳熟能詳的原理來解釋這一現象：異性相吸。如今，Koes和他的同事們正在向其神經網絡傳授這一原理。

這種互相吸引的組合還必須是特定的，即如果藥物分子太過常規，則它和人體內的上百種蛋白質都有可能結合，而不是只與一種蛋白質相結合。“這種情況通常是不利的，”David Koes指出。

用虛擬的方式對這些分子進行篩選能夠加快通常需要長達數年時間才能完成的藥物研發過程，從而確定出有資格進行臨床試驗的最佳候選藥物。

正如Koes所說，“對于藥物研發來說，要求越嚴格，日后失敗的可能性就越小。”

這一方法進一步拓寬了研究人員的視野，讓他們得以測試目前并不存在的一些藥物分子。如果某種特定的分子結構具有治療前景，那么就可以在實驗室進行合成。

Koes認為這一領域潛力巨大。在他的未來愿景里，研究人員通過滑動條就能激活分子的某些特性，比如溶解度，再比如分子穿越血腦屏障的可能性。

他也承認，實現這一點還需要時間。“這是一項不小的挑戰，因為需要讓分子在物理性質和化學性質上都具有真實性。”

釋放深度學習的潛力

研究人員所使用的卷積神經網絡會觀察蛋白質的物理結構，從而推斷出哪種藥物分子可以實現預期的結合效果。

該研究團隊并沒有告訴算法哪種分子結構特征對于結合來說至關重要，而是選用了一種非參數的方法（如“異性相吸”）。到目前為止，該團隊取得的成果十分喜人，這也表明了神經網絡能夠從訓練數據中推斷出其中的規律。

該深度學習模型使用的是cuDNN深度學習軟件，與之前的機器學習模型相比，其預測準確率由52%提升至70%。

“如果我們的準確度能達到足以讓藥物生產商對新分子進行合成，那么就證明我們的工作是有意義的，”Koes如是說。

Koes使用NVIDIA GPU已有十多年之久。他表示，這項工作使用了包括Tesla V100等NVIDIA多個系列的GPU。

盡管該研究團隊尚未對推理模型進行優化，但在研究工作的訓練和推理階段，他們已經啟用了GPU。

Koes表示，試驗分子的虛擬篩選過程極其復雜，因為該模型必須選取多個不同的立體空間位置進行試驗，才能確定一種分子的親和力，因此“如果沒有 GPU，這一方法將毫無用處。就像自動駕駛汽車一樣，需要不間斷地進行處理。”