半年6個管線，醫圖生科AI+生物信息學：成藥性/可靶性準度90%，實現AI貫穿研發的License Out( 二 ) _健康小知識

AI+生物信息學持續融合應用：驅動性靶點， AI+理化性質設計化合物，成藥性/可靶性準確度達90%

文章圖片
醫圖生科三大智能藥物研發平臺及其技術服務
醫圖生科的研發團隊具備完整的FirstinClass藥物從研發到上市的全流程經驗，且其自主搭建的研發平臺也覆蓋了藥物IND所需的全部技術環境，將現代計算機AI技術應用在了藥物研發的各個環節，包括靶點篩選、先導化合物(大小分子)發現、藥靶結構探索分析、藥物及靶點分子動力學模擬、藥代特征預測、不良反應分析、免疫原性判斷等。
以“醫圖AceMap智能藥物(小分子)研發平臺”為例，該研發平臺能夠完成小分子DeNovo設計、成藥性/可靶性評估、高通量虛擬分子篩選、ADME/T預測，以及化合物合成服務。
首先，平臺利用AI技術進行全基因組（WGS）分析，找到可能造成疾病的病變通路，同時分析病變所對應蛋白質作用通路變化，最終選定驅動性靶點。
其中在驗證藥物的靶點確認環節，醫圖會充分發揮其AI與基因工程的能力，通過對動物基因誘導產生定向基因突變，構建在表型層面可以穩定復現疾病的基因編輯模型，從源頭重現疾病的發病機理。團隊利用這一技術為制藥過程打下了堅實的試驗基礎，盡可能實現了在早期階段完成接近真實效果的動物效果評估，滿足現代制藥工業最重要的快速試錯（FailFast）要求，同時實驗結果反饋給AI設計平臺，持續迭代更新。醫圖生科目前已經應用這一先進技術完成了一項罕見病全球首個動物模型，正與阿斯利康進行相關商業洽談。
接著，在完成靶點評估后，開始化合物結構設計環節。
傳統AI制藥的化合物篩選一般采用構效關系或藥效團的方法進行，使用機器學習來分析預測各種原子、分子及其理化性質，合成大量的候選化合物，進行高通量試驗并基于此進行分子篩選。該方法雖然有一定效果，但大量理化性質、以及不同理化性質之間的相關作用都容易被忽略，且學習算法也往往局限于傳統的機器學習方法上，因此篩選效率有限，并且無法進行DeNovo藥物設計。
在醫圖瞄準的國際市場交易環境下，最具競爭力的FirstInClass的藥物管線，都是在沒有任何可參考的有效活性物質、極為有限的靶點歷史研究信息、?甚至發病機理和疾病通路尚未明確的前提下展開的藥物研發。因此，可綜合利用的藥靶信息、藥物本質的理化特征、更多維度的藥物結構，以及更深層次現代AI技術的有效利用，是當下所需。
陳教授及其團隊基于流性變換(Manifold)理論，開創了全新的AI理解藥物超高維物理及化學性質的藥物特征表征方法MolMap ，以及創新AI學習算法MolMapNet 。通過對生物信息學的深度融合，將無序的理化性質信息變成有序的、有特定結構的二維圖像，充分利用現代AI視覺影像技術，從而大大提高了化合物篩選效率。該研究成果已于2021年4月發表于NatureMachineIntelligence 。

文章圖片
“AI+生物信息學”融合的另一個革命性突破，是讓計算機對于藥物有了更全面更精準的判斷。其中的一個經典案例，便是該方法對頂刊十數年所發表新靶點的成藥性預測及后期跟蹤。通過將此技術應用于靶點發現過程中，目前在藥物發現早期階段，團隊對于可靶性和成藥性評估的準確度已達到了90% 。
借助大分子/合成生物學研發平臺，醫圖生科還能通過AI模擬不同生物環境，準確評估大分子藥物的耐堿性、耐酸性、穩定性等性質，對藥物與人體內靶點的對接和藥物效果進行充分的模擬和評估，通過免疫原性預測及定點突變來降低大分子藥物進入人體后的副反應。同時，醫圖生科的科研團隊從上世紀90年代開始收集整理了非常獨特的有效子結構、不利結構、以及不良反應數據庫等，再次拔高了其AI應用的技術實力。目前， MolMapNet算法及特征處理技術已經在各項數據集上構建了超85億以上的特征及空間矩陣，旨在讓AI進行重要的空間及化學特征的細節分區，從而大幅提升AI在各個應用階段的精準度。